ارزیابی کارایی مدل های یادگیری ماشین جهت مدل سازی فرآیند بارش-رواناب حوضه آبریز سد اکباتان

شبیه سازی رواناب روزانه به عنوان یکی از پیچیده ترین فرآیندهای هیدرولوژیکی، امری کلیدی در مدیریت و استفاده پایدار از منابع آب می باشد. لذا در این پژوهش، دقت و کارایی مدل های Neural Network ، kNN، Random Forest، Decision Tree و SVM جهت شبیه سازی رواناب روزانه حوضه آبریز سد اکباتان بررسی گردید. بدین منظور از داده های بارش روزانه، دمای روزانه و رواناب روزانه رودخانه های یلفان و ابرو طی یک دوره ۲۳ ساله (۱۴۰۲-۱۳۸۰) جهت شبیه سازی استفاده گردید که از این دوره آماری ۱۶ سال جهت واسنجی و ۷ سال جهت صحت سنجی در نظر گرفته شد. نتایج نشان داد که مدل Neural Network با مقدار R۲=۰.۷۷ و مقدار خطای RMSE=۱.۲۷۷ (m۳/sec) رواناب روزانه را با دقت بیشتری شبیه سازی کرده است و پس از آن مدل های kNN، Random Forest، Decision Tree و SVM به ترتیب در رتبه های دوم تا پنجم قرار دارند.

کلیدواژه ها:

بارش-رواناب ، سد اکباتان ، شبیه سازی ، نرم افزار اورنج ، یادگیری ماشین