fa ارزیابی استراتژی‌های‌ میانگین‌گیری وزنی رتبه‌ای در ترکیب مدل‌های پیش‌بینی کننده جریان مطالعه موردی: رودخانه کرخه تخصصي Special پژوهشي Research <p dir="RTL"><strong>پیش</strong><span dir="LTR">&zwj;</span><strong>بینی ماهانه جریان رودخانه در برنامه‌ریزی‌های بلندمدت منابع آب نقش کلیدی ایفا می‌کند. در مقاله حاضر برای افزایش دقت پیش‌بینی‌‌ جریان ماهانه رودخانه کرخه در محل </strong><strong>ورودی به سد کرخه در فصل زمستان</strong><strong> از تکنیک ترکیب مدل‌ها استفاده شده است. </strong><strong>بدین منظور، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، </strong><strong><span dir="LTR">K</span></strong><strong> نزدیک‌ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل‌های منفرد مورد استفاده قرار گرفتند. برای ترکیب مدل‌های مذکور از دو استراتژی وزن‌دهی ثابت و متغیر به مدل‌های منفرد بر اساس روش میانگین‌گیری وزنی رتبه‌بندی شده </strong><strong><span dir="LTR">(OWA)</span></strong><strong> استفاده شده است و در آنها، روش </strong><strong><span dir="LTR">Orlike</span></strong> <strong>برای تعیین وزن‌ها بکار رفته است. نتایج نشان می‌دهد که استراتژی وزن‌دهی متغیر دارای قابلیت بیشتری برای ارتقای نتایج پیش‌بینی نسبت به وزن‌دهی ثابت است. همچنین، مقایسه نتایج این دو استراتژی با دو استراتژی ترکیب مدل‌ها با شبکه عصبی مصنوعی و انتخاب بهترین مدل منفرد نشان می‌دهد که استراتژی وزن‌دهی متغیر به‌طور قابل توجهی سبب ارتقای دقت نتایج نسبت به هر دو استراتژی مذکور می‌شود به نحوی که این استراتژی </strong><strong>دقت نتایج را نسبت به شبکه عصبی 8/51، 1/38 و 5/44 درصد و نسبت به بهترین مدل منفرد 6/7، 132 و 9/52 درصد به ترتیب در دی، بهمن و اسفندماه بهبود داده است.</strong></p> <p>Monthly streamflow forecasting plays an important role in long-lead water resources planning and management. In the current paper, model fusion technique has been used in order to increase the accuracy of monthly streamflow forecast of Karkheh River at the entrance of Karkheh reservoir in winter. For this purpose, five models including: Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN), Support Vector Regression (SVR), K-Nearest Neighbor (KNN), and Linear Regression (LR) with optimized structure have been applied as individual forecasting models (IFMs). In order to combine the IFM models, two model fusion strategies including constant and variable weighting based on ordered weighted averaging (OWA) have been performed, where the Orlike method has been applied to determine the weights of IFMs. The results show that variables weighting strategy is more performable than constant weighting strategy in order to promote the accuracy of the forecast results. In addition, the comparison of the two strategies with two strategies including model fusion with artificial neural network and selecting the best IFM reveals that variable weighting strategy can significantly promote the accuracy of the forecast results than the latest strategies; such that this strategy increases the accuracy of the results 51.8, 38.1, and 44.5 percent as compared to ANN model fusion, and 7.6, 132, and 52.9 percent as compared to the best IFM for January, February, and March, respectively.&nbsp;&nbsp;&nbsp;</p> ترکیب مدل‌ها, میانگین وزنی رتبه بندی شده, وزن‌دهی متغیر, روش Orlike, کرخه. model fusion, ordered weighted averaging, variable weighting, Orlike method, Karkheh. 15 25 http://jwmsei.ir/browse.php?a_code=A-10-333-2&slc_lang=fa&sid=1 Fereshteh Modaresi فرشته مدرسی fmodaresi@ut.ac.ir 10031947532846006376 10031947532846006376 No University of Tehran دانشگاه تهران Shahab Araghinejad شهاب عراقی‌نژاد araghinejad@ut.ac.ir 10031947532846006377 10031947532846006377 No University of Tehran دانشگاه تهران Kumars Ebrahimi کیومرث ابراهیمی EbrahimiK@ut.ac.ir 10031947532846006378 10031947532846006378 Yes University of Tehran دانشگاه تهران