ارزیابی رویکردهای متنوع مدل سازی برای فرآیندهای بارش-رواناب در مناطق نیمه خشک ایران

سابقه و هدف: رابطه بارش و رواناب از مفاهیم بنیادین هیدرولوژی به شمار می رود و بیانگر فرآیندهای پیچیده ای نظیر نفوذ، تبخیر و تعرق و تبادل آب میان جریان های سطحی و زیرسطحی است که منجر به شکل گیری رواناب می شوند. در مناطق خشک و نیمه خشک بارش های نامنظم و شدید، همراه با کمبود داده های هیدرومتری و ساختار پیچیده حوضه ها، چالش های جدی برای مدیریت منابع آب ایجاد کرده است. رودخانه ها به عنوان شریان های حیاتی چرخه هیدرولوژیکی، نقشی اساسی در تامین آب، تغذیه آبخوان ها و پایداری زیست بوم ها دارند و به شدت تحت تاثیر تغییرات بارش قرار می گیرند. بهره گیری از مدل سازی پیشرفته رواناب، به ویژه استفاده از رویکردهای داده محور همچون یادگیری ماشین و یادگیری عمیق، امکان شناسایی الگوهای غیرخطی و پیش بینی دقیق رخدادهای هیدرولوژیکی را فراهم کرده و ابزاری ارزشمند برای تصمیم گیری هوشمندانه در مدیریت پایدار منابع آب ارائه می دهد. بر این اساس هدف اصلی این پژوهش، ارزیابی و مقایسه عملکرد مدل های آماری و داده محور، شامل رگرسیون چندکی(QR)، شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF)، در شبیه سازی فرآیند بارش–رواناب در مناطق نیمه خشک ایران است.مواد و روش ها: در پژوهش حاضر، به منظور مدل سازی فرآیند بارش-رواناب در سه حوضه آبخیز زشک، دهبار و کارده واقع در استان خراسان رضوی، از داده های ماهانه ایستگاه های هیدرومتری و هواشناسی در دوره آماری ۲۶ ساله (۲۰۲۲-۱۹۹۷) استفاده شد. در گام نخست، به منظور بررسی صحت و همگنی سری های زمانی داده ها، آزمون چاو به کار گرفته شد. با توجه به وابستگی مقادیر بارش و رواناب ماهانه به زمان، داده ها به صورت سری های زمانی مرتب گردیدند. برای برازش و مدل سازی مقادیر رواناب ماهانه با استفاده از داده های بارش به منظور پیش بینی ۱۲ ماه آینده، از چهار مدل شامل شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی–فازی (ANFIS)، تابع انتقال (TF) و رگرسیون چندکی (QR) بهره گرفته شد. با توجه به این که سال های نزدیک تر به زمان حال اطلاعات دقیق تری از شرایط کنونی ارائه می دهند، از سال ها به صورت فرآیند پیش رو در مدل سازی استفاده شده و تعداد سال های موثر تعیین گردید. از میان سال های آماری مورد بررسی، تمامی سال ها برای آموزش مدل ها و سری زمانی یک سال به منظور اعتبارسنجی به کار رفت. اعتبارسنجی مدل های برازش داده شده با استفاده از سه معیار استاندارد میانگین قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R۲) ارزیابی شد. شایان ذکر است که در این پژوهش به منظور انجام محاسبات آماری از نرم افزارهای R (بسته های quantreg و frbs)، SAS، MINITAB و SPSS استفاده شد.یافته ها: بررسی روند سری های زمانی بارش و رواناب ماهانه در سه آبخیز مورد مطالعه نشان داد که این حوضه ها دارای ساختارهای متفاوتی هستند. تحلیل نمودارهای خودهمبستگی متقابل بیانگر وجود ارتباط تاخیری بین سری های زمانی بارش و رواناب در سه آبخیز منتخب است. بر این اساس، اثر مستقیم بارش بر رواناب در حوضه های آبخیز زشک و دهبار با حداکثر تاخیر یک ماهه و در حوضه آبخیز کارده، به دلیل شرایط کوهستانی و سهم بالاتر برف در رژیم بارندگی، با حداکثر تاخیر سه ماهه مشاهده شد. تعداد سال های موثر در مدل سازی با استفاده از فرآیند پیش رو برای حوضه های آبخیز زشک، دهبار و کارده به ترتیب ۱۷، ۱۹ و ۹ سال تعیین گردید که بهترین عملکرد مدل ها را فراهم کرده است. بررسی نتایج اعتبارسنجی مدل ها با شاخص های MAD، RMSE و R² حاکی از آن است که مدل MLP در مقایسه با سایر مدل ها، دقیق ترین برآورد رواناب ماهانه را در آبخیزهای زشک، دهبار و کارده (به ترتیب RMSE=۰.۰۰۳۲, ۰.۰۰۲۸, ۰.۰۱۲۳m۳/s) ارائه می دهد. پس از آن، مدل ANFIS (RMSE=۰.۰۱۴۶, ۰.۰۰۴۴, ۰.۰۱۸۶ m۳/s) در رتبه دوم قرار دارد. اعتبارسنجی مدل ها همچنین نشان دهنده شباهت قابل توجه نتایج مدل سازی دو روش MLP و ANFIS است. پس از این دو مدل، رگرسیون چندکی (QR) بالاترین دقت را در آبخیزهای زشک، دهبار و کارده ارائه داد (به ترتیب RMSE=۰.۰۳۴۴, ۰.۰۲۹۳, ۰.۰۴۴۴m۳/s). مدل تابع انتقال (TF) نیز مشابه مدل QR نتایج نسبتا مناسبی در تشخیص روند و ارزیابی دقت ارائه کرده است؛ اما در مقایسه با سه مدل دیگر، ضعیف ترین عملکرد را در آبخیزهای زشک، دهبار و کارده داشته است (به ترتیب RMSE=۰.۰۳۴۴, ۰.۰۳۷۸, ۰.۰۵۱۰m۳/s). نتایج اعتبارسنجی همچنین بیانگر شباهت زیاد نتایج مدل سازی رواناب ماهانه در دو روش TF و QR بود. بر اساس ضریب تعیین (R²) برای مدل ها، می توان نتیجه گرفت که سهم قابل توجهی از واریانس متغیر وابسته به طور قابل قبولی توسط متغیرهای مستقل توضیح داده شده است؛ بنابراین، همه مدل ها از دقت مناسبی برخوردارند.نتیجه گیری: نتایج این پژوهش نشان داد که چهار مدل مورد استفاده، شامل MLP، ANFIS، QR و TF، با وجود تفاوت در میزان دقت، عملکرد قابل قبولی در شناسایی الگو ها و مدل سازی تغییرات سری های زمانی خروجی بر اساس داده های ورودی نشان داده اند. بر این اساس، می توان از این مدل ها به عنوان ابزارهایی کارآمد و موثر برای پیش بینی رواناب ماهانه بر مبنای میزان بارش در منطقه مورد مطالعه بهره گرفت.در هیچ یک از مدل های بررسی شده شواهدی از بیش برازش یا کم برازش مستمر که منجر به کاهش دقت و کارایی مدل ها شود، مشاهده نشد. با این حال، مقایسه شاخص های ارزیابی نشان داد که از نظر دقت، مدل ها به ترتیب شامل MLP، ANFIS، QR و TF بوده اند. با توجه به نوسانات بالای بارش در استان خراسان رضوی، انتظار می رفت مدل QR که برای نقاط حدی سازوکار متفاوتی نسبت به مقادیر متوسط در نظر می گیرد، دقت بالاتری داشته باشد؛ با این حال دقت آن نسبت به دو مدل MLP و ANFIS به طور چشمگیری پایین تر بود. اگرچه مدل TF از نظر دقت نسبت به سایر مدل ها ضعیف تر عمل کرده است، اما این مدل در شناسایی تاخیر زمانی در اثرگذاری بین متغیرهای ورودی (بارش) و خروجی (رواناب) نقش قابل توجهی ایفا می کند. علاوه بر این، ساختار مدل TF چارچوب مناسبی برای تبیین فرآیندهای هیدرولوژیکی و نحوه اثرگذاری بارش بر رواناب به صورت یک مدل فرآیند محور فراهم کرده است.

کلیدواژه ها:

استان خراسان رضوی ، تابع انتقال ، رگرسیون چندکی ، مدل سازی بارش-رواناب ، هوش مصنوعی