مقایسه کارایی مدل های یکپارچه و روش های یادگیری ماشین در شبیه سازی دبی(مقاله علمی وزارت علوم)
منبع:
هیدروژئومورفولوژی دوره ۱۲ بهار ۱۴۰۴ شماره ۴۲
80 - 60
حوزههای تخصصی:
در هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیده ترین پدیده های غیرخطی است. پیش بینی رواناب در حوضه های فاقد آمار یکی از چالش ها در مدیریت منابع آب است. در این مطالعه کارایی مدل های یکپارچه هیدرولوژیک و روش های یادگیری ماشین در شبیه سازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهم ترین سرشاخه های رودخانه کارون است، بررسی شد. مدل های هیدرولوژیک یکپارچه AWBM، Sacramento، SIMHYD، SMAR و TANK و الگوریتم های مختلف روش درخت تصمیم، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای شبیه سازی دبی روزانه و ماهانه حوضه استفاده شد. سری های ماهانه و روزانه بارش، تبخیر و تعرق پتانسیل و دبی در دوره آماری 1401-1350 برای این منظور استفاده شدند. برای ارزیابی کارایی مدل ها نیز از ضرایب کارایی R2 ، NS و RMSE به کار گرفته شد. نتایج نشان داد که مدل های SMAR و AWBM بهترین کارایی را در شبیه سازی دبی روزانه در حوضه آبخیز کبکیان در مقایسه با سایر مدل های هیدرولوژیک استفاده شده داشته اند 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 مدل ها در شبیه سازی دبی روزانه دارد. در سری های ماهانه نیز مدل های SMAR و AWBM با ضریب نش ساتکلیف به ترتیب 71/0 و 72/0 و ضریب تبیین 79/0 و 79/0 کارایی خوب داشته اند. در روش های یادگیری ماشین در مقیاس روزانه، روش درخت تصمیم با الگوریتم جنگل تصادفی با ضریب تبیین 61/0 بهترین کارایی را در شبیه سازی دبی داشته است. در شبیه سازی دبی ماهانه، الگوریتم جنگل تصادفی با ضریب تبیین 93/0 کارایی خیلی خوبی داشته است.