پیش بینی رواناب روزانه با استفاده از مدل های هوش مصنوعی

مدل سازی فرآیند بارش-رواناب، یکی از روش های رایج در برآورد رواناب و ابزاری کارآمد برای تحلیل فرآیندهای هیدرولوژیکی، ارزیابی منابع آب و مدیریت بهینه آبخیزها به شمار می رود. از این رو، بهره گیری از روش هایی که در عین پویایی، دارای ساختار مفهومی روشن، قابلیت توسعه و کاربرد آسان باشند، ضرورت دارد. در این تحقیق، کارایی سه مدل هوش مصنوعی جنگل تصادفی (RF)، برخورد گروهی با داده­ها (GMDH) و استنتاج فازی-عصبی تطبیقی  (ANFIS)برای پیش بینی رواناب روزانه در دو آبخیز تلوار و طالقان مورد ارزیابی قرار گرفت. داده های مورد استفاده شامل بارش ۲۴ ساعته، دما، رطوبت نسبی، میانگین سرعت باد، میانگین رطوبت نسبی، میزان بارش برف کلی، و نیز شاخص بارش پیشین و شاخص دبی پیشین برای دوره آماری ۱۳ ساله جمع آوری و محاسبه شد. نتایج حاصل از مدل­سازی برای آبخیز طالقان نشان داد که مدل GMDH با بیشترین مقادیر ضریب تعیین (۸۸۴۵/ ۰ (R²=و معیار نش-ساتکلیف (۸۸۳۶/۰ (NSE= و همچنین کمترین ریشه میانگین مربعات خطا،  با (۰۹/۴RMSE=) بالاترین دقت و کمترین خطا را در شبیه سازی رواناب ارائه داد. مدل  RFبا مقادیر(۸۸۰۱/ R²=۰، ۸۷۹۸/۰ NSE=،  ۱۶/۴ RMSE=) در رتبه دوم قرار گرفت و توانست نتایج نسبتا قابل قبولی تولید کند، هرچند دقت آن اندکی کمتر از مدل  GMDH بود. در مقابل، مدل   ANFIS  با ۸۷۱۰/ R²=۰، ۸۶۱۰/۰NSE= و۳۲/۴RMSE= ضعیف ترین عملکرد را در میان مدل های مورد بررسی داشت. و همچنین نتایج برای آبخیز تلوار نشان داد که مدل GMDH با مقادیر  ۳۶۳۱/ RMSE=۰ و ۹۳۹/ NSE=۰و مدل RF با مقادیر ۹۲۶۰/ NSE=۰و ۴۰۱۷/۰ RMSE= و مدل  ANFIS با مقادیر ۳۶۴۰/۰ RMSE=و ۹۳۹۲/۰ NSE= بیانگر آن است که مدل­های مورد بررسی از لحاظ عملکرد به این ترتیب قرار گرفته­اند: GMDH، ANFIS و RF. نتایج نشان داد که هر سه مدل عملکرد کلی نسبتا مطلوبی در شبیه سازی تغییرات رواناب داشتند که نشان می دهد استفاده از مدل های هوش مصنوعی برای تخمین رواناب سطحی ابزار مناسبی می باشد.

کلیدواژه ها:

Keywords: Artificial Intelligence ، Runoff ، Data-Driven Model ، Modeling ، Machine Learning ، واژگان کلیدی: هوش مصنوعی ، رواناب ، مدل داده محور ، مدل سازی ، یادگیری ماشین