Comparative Analysis of Multiple Linear Regression and Generalized Regression Neural Network for Water Temperature Estimation of Fontaine Des Gazelles Reservoir Dam-Biskra, Algeria

Abstract

Our research centers on estimating the water temperature of Fontaine de Gazelles Reservoir Dam by analyzing air temperature, relative humidity, solar radiation, atmospheric pressure, wind speed, and precipitation. These variables collectively impact water temperature, reflecting the thermal environment, water vapor content, solar energy, air density, wind-induced processes, and precipitation cooling. We employ Multiple Linear Regression (MLR) and Generalized Regression Neural Networks (GRNN) models for accurate estimates. MLR captures linear dependencies among climate variables, while GRNN model complex nonlinear relationships. Trained on historical data and real-time measurements, both MLR and GRNN demonstrate strong capabilities. MLR achieves high Nash-Sutcliffe Efficiency (0.991 to 0.997) and low Root Mean Squared Error (0.406 to 0.625), while GRNN achieves similar values. Both models consistently exceed a coefficient of determination R2 equal 0.99, indicating a robust correlation, and display low Mean Absolute Error (0.236 to 0.391), affirming their accuracy. This attests to MLR and GRNN's reliability in estimating water temperature for the Fontaine de Gazelles Reservoir Dam. الملخص (باللغة العربية) تركز بحثنا على تقدير درجة حرارة الماء في سد خزان فونتين دي غازيل المتواجد ببسكرة من خلال تحليل درجة حرارة الهواء والرطوبة النسبية والإشعاع الشمسي والضغط الجوي وسرعة الرياح وهطول الأمطار. تؤثر هذه المتغيرات الجوية بشكل اساسي على درجة حرارة الماء، مما يعكس على البيئة ومياه السد، والطاقة الشمسية، وكثافة الهواء، والعمليات التي تحدثها الرياح، والأمطار. في هذا العمل استخدمنا نموذجين الاول يعتمد على الانحدار الخطي والثاني على الشبكات العصبية للانحدار المعمم. للحصول على تقديرات دقيقة لدرجة حرارة مياه السد. النتائج كانت كتالي يلتقط نموذج الانحدار الخطي التبعيات الخطية بين متغيرات المناخ، في حين تقوم الشبكات العصبية بنمذجة العلاقات غير الخطية المعقدة. ومن خلال تدريبهما على البيانات الجوية والقياسات في الوقت الفعلي، أظهر كل من نموذج الانحدار الخطي والشبكات العصبية تقدرات ممتازة. لدرجات حرارة المياه للسد حيث يحقق نموذج الانحدار الخطي كفاءة عالية (حسب قيم ناش للنموذج يتراوح من 0.991 إلى 0.997) والخطأ التربيعي لمتوسط الجذر المنخفض (0.406 إلى 0.625)، بينما تحقق الشبكات العصبية قيمًا مماثلة. يتجاوز كلا النموذجين باستمرار معامل الارتباط الذي يساوي 0.99، مما يشير إلى وجود ارتباط قوي للمتغيرات، ويعرض متوسط خطأ مطلق منخفض (0.236 إلى 0.391)، مما يؤكد دقتهما. وهذا ياكدعلى فعالية ودقة النموذجين في تقدير درجة حرارة المياه لسد فونتين دي غازيل المتواجد ببسكرة.