دانشگاه تبریز هیدروژئومورفولوژی 2383-3254 13 46 2026 04 12 Intelligent Streamflow Prediction Using a Hybrid Metaheuristic Approach: Tasmanian Devil and Red-Tailed Hawk Optimization Algorithms in the Dehgolan Kurdistan Basin پیش‌بینی هوشمند جریان رودخانه با ترکیب الگوریتم‌های فراکاوشی شیطان تاسمانی و شاهین دم‌قرمز در حوضه‌ی دهگلان کردستان 91 73 20447 10.22034/hyd.2025.68113.1799 FA ادریس معروفی نیا دانشجوی دکتری، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران احمد شرافتی دانشیار، گروه مدیریت ساخت وآب، واحد علوم وتحقیقات، دانشگاه آزاد اسلامی، تهران، ایران هیراد عبقری دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-3407-3297 یوسف حسن زاده 4- استاد، گروه مهندسی آب، قطب علمی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز و شرکت فرازآب( مهندسین مشاور)، امورارتقای توانمندی تحقیقات وتا لیفات، تبریز، ایران Journal Article 2025 07 12 With the increasing complexity and dynamics of hydrological systems, accurate and reliable river stream flow prediction is necessary for sustainable water resource management. This research utilized 20 years (from 2001 to 2021) of daily precipitation, river discharge, and mean air temperature data from the Dehgolan basin in Kurdistan Province. To select the optimal combination and model scenarios, Pearson's correlation coefficient was employed using precipitation (Pt), mean temperature (Tt), and river discharge with one to three days of lag (Qt-1 to Qt-3). The Pearson correlation coefficient (PCC) was used to select optimal scenarios and model combinations, establish the relationship between input and output variables, and subsequently choose the model and scenario combinations. For streamflow prediction, we utilized hybrid models including the Artificial Neural Network-Tasmanian Devil Optimizer (ANN-TDO), Support Vector Regression-Red Tailed Hawk (SVR-RTH), and the deep learning model Long Short-Term Memory-Marine Predators Algorithm (LSTM-MPA). Model evaluation involved the following metrics: Root Mean Square Error (RMSE), Coefficient of Determination (R2), and Kling-Gupta Efficiency (KGE). Among the hybrid models, ANN TDO consistently demonstrated the best performance. Its R2 values for the testing phase were frequently above 0. 8, and KGE values reached up to 0. 915 in some scenarios, indicating a very high correlation with observed data. The LSTM-MPA model also delivered very good performance. Although it performed slightly below ANN-TDO in some scenarios, its R2 and KGE values (often above 0. 7 and 0. 8), along with low MAE and RMSE values, demonstrated this model's high capability in time series modeling. پیش‌بینی دقیق جریان رودخانه نقش مهمی در مدیریت منابع آب، به ویژه برای کاهش مخاطرات ناشی از سیل، هشدار خشکسالی و بهره‌برداری از مخازن سدها ایفا می‌کند. در این پژوهش از آمار 20 ساله ( از سال 1380 لغایت 1400) بارش، دبی رودخانه و دمای میانگین در مقیاس روزانه در حوضه آبریز دهگلان استان کردستان استفاده گردید. برای انتخاب ترکیب بهینه و سناریوهای مدل از مقادیر بارش (Pt)، دمای میانگین (Tt) و دبی از یک تا سه روز تاخیر (Qt-1 تا Qt-3) با استفاده از ضریب همبستگی پیرسون استفاده شد. جهت انجام مدل سازی و پیش بینی جریان رودخانه نیز از مدل‌های هیبریدی شبکه عصبی مصنوعی-شیطان تاسمانی (ANN-TDO)، ماشین بردار پشتیبان رگرسیونی- شاهین دم قرمز (SVR-RTH) و مدل یادگیری عمیق حافظه طولانی کوتاه‌مدت - شکارچیان دریایی (LSTM-MPA) استفاده گردد. سپس نتایج مدل سازی بر اساس معیارهای ارزیابی (R2-MAE-RMSE-KGE) مورد سنجش قرار گرفت. یافته‌های این پژوهش نشان داد که مدل‌های هیبردی تا حد بسیار خوبی دقت مدل‌های منفرد را بهبود بخشیدند. همچنین نتایج نشان داد که عملکرد مدل‌ها بسیاز نزدیک است اما مدل ANN-TDO نسب به سایر مدل‌ها عملکرد بهتری داشته است. همچنین این مدل در فاز آموزش توانست در سناریوهای یک تا پنج (M1 تا M5) به ترتیب 10.66، 40.25، 39.19، 79.45 و 82.44 درصد عملکرد مدل منفرد ANN را بهبود بخشد. https://hyd.tabrizu.ac.ir/article_20447_41cd8d7dd0faae35a19186fb23271b33.pdf