توسعه مدل ترکیبی IHACRES–XGBoost برای شبیه سازی رواناب روزانه در حوضه قره سو

در این پژوهش، با هدف بهبود دقت شبیه سازی رواناب روزانه در حوضه ی قره سو واقع در استان کرمانشاه، یک چارچوب مدل سازی ترکیبی مبتنی بر تلفیق مدل مفهومی IHACRES و الگوریتم های پیشرفته یادگیری ماشین توسعه داده شد. داده های مورد استفاده شامل بارش، دمای حداقل، حداکثر و میانگین و دبی رودخانه از ایستگاه های هیدرومتری پل کهنه و قورباغستان در بازه ی زمانی ۱۹۹۵ تا ۲۰۲۳ می باشند. در مرحله نخست، مدل نیمه توزیعی IHACRES جهت شبیه سازی فرآیند بارش–رواناب پیاده سازی گردید و با بهره گیری از الگوریتم ژنتیک،پارامترهای آن بهینه سازی شد. به منظور حذف نوسانات کوتاه مدت، یک فیلتر میانگین متحرک سه روزه بر خروجی مدل اعمال شد. سپس،با استفاده از خروجی IHACRES و مجموعه ای از متغیرهای مشتق شده شامل ویژگی های تاخیری، آماره های بارش و دما، شاخص های زمانی و خشکسالی، یک مدل یادگیری ماشین نوع XGBoost طراحی گردید. عملکرد مدل ها با شاخص های آماری RMSE و NSE در دو دوره آموزش و آزمون مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل پایه ی IHACRES عملکردی در حد قابل قبول داشت (NSE≈۰.۴۴)، اما با اعمال فیلتر میانگین متحرک و بهینه سازی پارامترها، دقت آن به طور متوسط تا ۳۰٪ افزایش یافت. در نهایت، مدل ترکیبی IHACRES–XGBoost با دستیابی به مقدار NSE بیش از ۰.۹۷ و RMSE کمتر از ۱۰، بالاترین دقت را ارائه کرد. این یافته ها نشان دهنده ی کارایی بالا و پتانسیل بالای مدل های ترکیبی در ارتقاء پیش بینی رواناب روزانه می باشد.

کلیدواژه ها:

الگوریتم ژنتیک ، XGBoost ، شبیه سازی رواناب ، میانگین متحرک