مقایسه ی عملکرد مدل های یادگیری ماشین و مدل های مفهومی هیدرولوژیکی در شبیه سازی بارش-رواناب (مطالعه ی موردی:حوضه ی آبریز رودخانه ی خرم آباد)

توسعه ی رابطه ی بارش-رواناب یک موضوع اساسی در مدل سازی هیدرولوژیکی است. با توجه به پیچیدگی رابطه ی بارش-رواناب، پیش بینی رواناب نقش اساسی در برنامه ریزی و مدیریت منابع آب ایفا می کند. این مطالعه رابطه ی بارش-رواناب در حوضه ی آبریز رودخانه ی خرم آباد را با استفاده از داده های ایستگاه های سینوپتیک خرم آباد و هیدرومتری چم انجیر هم زمان مدل سازی می کند. در این مطالعه مدل سازی بارش-رواناب با استفاد از مدل های مفهومی هیدرولوژیکی WEAP و IHACRES و مدل های هوش مصنوعی ANN، ANFIS و SVM برای تخمین رواناب انجام شد. دوره ی مدل سازی برای همه ی مدل ها از مهر ۱۳۳۵ تا شهریور ۱۴۰۳ در نظر گرفته شد و تنها در مدل WEAP به دلیل تعداد زیاد پارامترهای ورودی دوره ی آماری مهر ۱۳۸۹ تا شهریور ۱۴۰۲ انتخاب شد. در مورد مدل های هوش مصنوعی ۸۰ درصد داده ها برای دوره ی آموزش و ۲۰ درصد آن ها برای دوره ی آزمایش انتخاب شدند. برای ارزیابی دقت پیش بینی مدل ها نیز از معیارهای ارزیابی عملکرد مدل شامل R۲، NSE و RMSE استفاده شد. بر این اساس از بین مدل های هیدرولوژیکی، مدل WEAP نسبت به مدل IHACRES و از بین مدل های هوش مصنوعی، مدل ANFIS نسبت به مدل های ANN و SVM عملکرد بهتری از خود نشان دادند. بر اساس نتایج به دست آمده در مجموع از بین همه ی مدل های مورد استفاده مدل ANFIS با ۹۶/۰=R۲، ۹۸/۰=NSE و ۰۸/۲=RMSE در دوره ی آموزش و ۹۴/۰=R۲، ۸۷/۰=NSE و ۹۳/۱=RMSE در دوره ی آزمایش عملکرد بهتری نسبت به سایر مدل ها از خود نشان داد. بر این اساس به طور کلی می توان گفت مدل های هوش مصنوعی در مقایسه با مدل های هیدرولوژیکی عملکرد بهتری در شبیه سازی بارش-رواناب از خود نشان دادند.

کلیدواژه ها:

مدل های هیدرولوژیکی ، مدل های هوش مصنوعی ، مدل سازی بارش-رواناب رودخانه ی خرم آباد