پیشرفتها در مدلهای بارش-رواناب

رواناب نقش اساسی در چرخه هیدرولوژیکی ایفا می کند. مدل سازی رواناب ممکن است به درک کنترل و نظارت بر کیفیت و مقدار منابع آب کمک کند. هدف این مقاله بحث در مورد دسته های مختلف مدلهای بارش-رواناب، پیشرفت های اخیر و چالش های مدلهای بارش-رواناب در عصر مدرن است. مدلهای بارش-رواناب بسته به چارچوب الگوریتم هایشان به مدل های مفهومی، تجربی و مبتنی بر فرآیند فیزیکی طبقه بندی می شوند. مدلهای معروف رواناب که به این دسته ها تعلق دارند، عبارتند از: مدل شماره منحنی موسسه حفاظت از خاک (SCS-CN)، مدل مدیریتی (SWMM)، مدل (HBV)، مدل ارزیابی آب و خاک (SWAT) و مدل ظرفیت نفوذ متغیر (VIC) و غیره. علاوه بر این، مدلهای مبتنی بر داده مانند سیستم استنتاج عصبی فازی سازگار (ANFIS)، شبکه عصبی مصنوعی (ANN)، شبکه عصبی عمیق (DNN) و ماشین بردار پشتیبان (SVM) در دهه های اخیر ثابت کرده اند که عملکرد بهتری در مدل سازی رواناب و پیش بینی سیلاب دارند. مدلهای داده محور بهترین رابطه را بر اساس سری داده های ورودی و خروجی به منظور مدل سازی فرآیند رواناب تشخیص می دهند. در نهایت، نقاط قوت و معایب مدل های ذکر شده از نظر درک تنوع در مدل سازی رواناب و پیش بینی سیل مورد بحث قرار گرفت. این مقاله ابتکارات تحقیقاتی آتی را پیشنهاد می کند که می تواند به پرکردن شکاف های موجود در تحقیقات بارش-رواناب کمک کند و همچنین به محققین در انتخاب مدل های مناسب بارش-رواناب برای پیش بینی رواناب و کاهش سیل بر اساس مزایا و معایب کمک می کند.

کلیدواژه ها:

بارش-رواناب ، مدل سازی ، داده محور ، مدل های هیدرولوژیکی ، یادگیری ماشین