نوع مقاله : پژوهشی

نویسندگان

• زهره خورسندی کوهانستانی ¹
• فاطمه طاعت پور ²

¹ استادیار گروه مهندسی طبیعت، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، خوزستان، ایران.

² دانشجوی دکتری، دانشکده مهندسی مرتع و آبخیزدری، دانشگاه یزد، ایران

چکیده

در هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیده‌ترین پدیده‌های غیرخطی است. پیش‌بینی رواناب در حوضه‌های فاقد آمار یکی از چالش‌ها در مدیریت منابع آب است. در این مطالعه کارایی مدل‌های یکپارچه هیدرولوژیک و روش‌های یادگیری ماشین در شبیه‌سازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهم‌ترین سرشاخه‌های رودخانه کارون است، بررسی شد. مدل‌های هیدرولوژیک یکپارچه AWBM، Sacramento، SIMHYD، SMAR و TANK و الگوریتم‌های مختلف روش درخت تصمیم، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای شبیه‌سازی دبی روزانه و ماهانه حوضه استفاده شد. سری‌های ماهانه و روزانه بارش، تبخیر و تعرق پتانسیل و دبی در دوره آماری 1401-1350 برای این منظور استفاده شدند. برای ارزیابی کارایی مدل‌ها نیز از ضرایب کارایی R2 ، NS و RMSE به کار گرفته شد. نتایج نشان داد که مدل‌های SMAR و AWBM بهترین کارایی را در شبیه‌سازی دبی روزانه در حوضه آبخیز کبکیان در مقایسه با سایر مدل‌های هیدرولوژیک استفاده شده داشته‌اند و مقادیر ضریب نش ساتکلیف این دو مدل در مرحله صحت سنجی به ترتیب 79/0 و 78/0 بوده که نشان از کارایی بسیار خوب این مدل‌ها در شبیه‌سازی دبی روزانه دارد. در سری‌های ماهانه نیز مدل‌های SMAR و AWBM با ضریب نش ساتکلیف به ترتیب 71/0 و 72/0 و ضریب تبیین 79/0 و 79/0 کارایی خوب داشته‌اند. در روش‌های یادگیری ماشین در مقیاس روزانه، روش درخت تصمیم با الگوریتم جنگل تصادفی با ضریب تبیین 61/0 بهترین کارایی را در شبیه‌سازی دبی داشته‌است. در شبیه‌سازی دبی ماهانه، الگوریتم جنگل تصادفی با ضریب تبیین 93/0 کارایی خیلی خوبی داشته‌است.

کلیدواژه‌ها

• شبیه‌سازی دبی
• یادگیری ماشین
• مدل یکپارچه
• حوضه آبریز کبکیان

موضوعات

• هیدرولوژی

عنوان مقاله [English]

Performance Comparison of Lumped Models and Machine Learning Approaches in Discharge Simulation

نویسندگان [English]

• zohreh khorsandi Kouhanestani ¹
• Fatemeh Taatpour ²

¹ Department of Nature engineering, Agricultural Sciences and natural Resources University of Khuzestan, Mollasani, Khuzestan, Iran

² Ph.D. Candidate, Department of Rangeland and watershed management, Yazd university, Iran

چکیده [English]

Rainfall-runoff processes are among the most complex and nonlinear phenomena in hydrology. In water resources management, runoff forecasting faces challenges in ungauged watersheds.In this study, the efficiency of lumped models and machine learning methods was investigated in the Kabkian watershed, that is one of the principal branches of the Karun River. AWBM, Sacramento, SIMHYD, TANK, and SMAR Also, some algorithms in decision trees, artificial neural networks, and support vector regression were applied to simulate daily and monthly runoff in the Kabkian watershed. Monthly and daily discharge, precipitation, and potential evapotranspiration for the period between 1972 and 2022 were used,. The accuracy and efficiency of the methods were examined using R², the Nash-Sutcliffe coefficient, and RMSE. Results showed that SMAR and AWBM, in comparison to other lumped models, have the best efficiency in the simulation of daily discharge in the Kabkian watershed. The Nash-Sutcliffe coefficients for them in the test stage are 0.79 and 0.78, respectively, showing that these models have good efficiency in daily discharge simulation. Also, the SMAR and AWBM models' Nash-Sutcliffe coefficients are 0.71 and 0.72, respectively, and the R2 for the two models is 0.79 in the monthly time series. These values show that these models have good efficiency. In machine learning methods, in the daily series, the random forest algorithm's R2 is 0.61 and has the best efficiency in comparison to other methods. Also, in the monthly series, the random forest's R2 is 0.93, which illustrates good discharge simulation efficiency.

کلیدواژه‌ها [English]

• Discharge simulation
• Machine learning
• Lumped model
• Kabkian watershed