مدل سازی فرایند بارش-رواناب حوزه آبخیز آجی چای با استفاده از روش های هوشمند

مقدمه در سال ها و دهه های اخیر به دلیل تغییرات اقلیمی و مشکلات ایجاد شده در دسترسی به منابع آب کافی و با کیفیت، مساله تامین منابع آب پایدار مورد توجه محققان و پژوهشگران مختلف قرار گرفته است. کمبود منابع آب سالم و با کیفیت مانعی بزرگ در جهت توسعه پایدار محسوب می شود. به همین علت شناخت فرایندهای چرخه آب بسیار مهم بوده و نیازمند اطلاعات دقیق از پدیده های هیدرولوژیکی است. رواناب های حاصل از بارش یکی از منابع اصلی تامین نیازهای آبی مختلف ازجمله کشاورزی، صنعت و مصارف خانگی هستند. تخصیص منابع آب به این بخش ها با استفاده از داده های مربوط به رواناب در زمان های مختلف، برنامه ریزی می شود. برآورد و پیش بینی دقیق رواناب، اصلی ترین مساله در استحصال منابع آب های سطحی و استفاده بهینه از پتانسیل حوضه های مختلف آبخیز است. حوزه آبخیز دریاچه ارومیه، به عنوان یکی از مهم ترین حوضه های آبی ایران، در سال های اخیر رو به خشکی نهاده است. با توجه به این موضوع، اطلاع و آگاهی در زمینه منابع آبی این حوضه و زیرحوضه های آن و نیز شبیه سازی و پیش بینی منابع مختلف ورودی به آن ازجمله رواناب ها بسیار مهم است.   مواد و روش ها حوزه آبخیز آجی چای، یکی از زیرحوضه های دریاچه ارومیه است. این حوضه در ناحیه شمال غربی ایران و در استان آذربایجان شرقی قرار دارد. در این پژوهش از داده های بارش ایستگاه همدیدی تبریز و رواناب ایستگاه هیدرومتری نهند واقع در این حوضه از سال آبی ۷۷-۱۳۷۶ تا ۹۷-۱۳۹۶ استفاده شد. جهت مدل سازی بارش-رواناب از روش های شبکه عصبی مصنوعی (ANN)، برنامه نویسی بیان ژن (GEP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. ۷۰ درصد از داده ها برای آموزش و ۳۰ درصد از داده ها برای صحت سنجی مدل ها استفاده شد. برای ارزیابی عملکرد مدل ها از معیارهای آماری ضریب تعیین (R۲)، ریشه میانگین مربعات خطا (RMSE)، ضریب نش-ساتکلیف (NSE) و شاخص ویلموت (WI) استفاده شد.   نتایج و بحث نتایج این پژوهش نشان داد که تمامی مدل های مورد بررسی در این پژوهش عملکرد بسیار خوبی در شبیه سازی بارش-رواناب روزانه در حوضه آجی چای دارند. بر اساس نمودارهای پراکنش و سری های زمانی، مدل GEP در مدل سازی مقادیر بارش-رواناب این حوضه با همبستگی بالا نسبت به سایر مدل ها بیشترین دقت را داشت. با توجه به نتایج و معیارهای آماری، مدل GEP با مقادیر R۲، RMSE، NSE و WI به ترتیب برابر ۰.۸۴، ۰.۰۲۴، ۰.۸۶۴ و ۰.۹۶۸، دقیق ترین مدل در شبیه سازی فرایند بارش-رواناب روزانه حوضه آجی چای بود. مدل های مورد بررسی در شبیه سازی رواناب های بیشینه خطا داشته و این مقادیر را کمتر برآورد کرده اند. این نکته می تواند به دلیل خاصیت مدل های هوشمند باشد که به داده های آموزش حساسیت بسیار زیادی دارند. از عوامل موثر در عملکرد مدل ها در برآورد رواناب های بیشینه می توان تعیین نوع و ساختار مدل ها را نام برد.   نتیجه گیری به طورکلی نتایج این پژوهش نشان داد که مدل GEP نسبت به سایر مدل های مورد بررسی، در شبیه سازی بارش-رواناب دقت بیشتر و عملکرد بهتری دارد. نتایج این پژوهش نشان دهنده عملکرد مناسب مدل های یادگیری ماشین در شبیه سازی فرایند بارش-رواناب است. به طورکلی با توجه به دقت بالای مدل های هوشمند به ویژه مدل GEP در پیش بینی فرایند بارش-رواناب روزانه، استفاده از این روش ها در مسائل هیدرولوژیک توصیه می شود. همچنین، پیشنهاد می‎شود، در تحقیقات آینده از روش های هوشمند و داده کاوی در مدل سازی فرایند بارش-رواناب در حوضه های مختلف به طور جداگانه برای سال های درگیر خشکسالی و ترسالی استفاده شود.

کلیدواژه ها:

برنامه نویسی بیان ژن ، حوضه آجی چای ، جنگل تصادفی ، شبکه عصبی مصنوعی ، مدل GEP