مقایسه دقت پیش بینی و برآورد رواناب با استفاده از مدل های SWAT و هوش مصنوعی در رودخانه میناب

در مناطق خشک همانند سطح عظیمی از ایران، انسان همواره با کمبود آب مواجه بوده و هست. جمع آوری آب به ویژه در بهره برداری صحیح از آب های موجود در مناطق خشک، می تواند موثر باشد. تنوع اقلیم در ایران با وجود میانگین بارندگی کمتر از یک سوم جهانی، بالا است، حتی در مناطق جنوبی کشور و در مقیاس کوچک، از جمله میناب و محل سد احداثی استقلال هم، که بارندگی به یک سوم میانگین کشوری می رسد، این تنوع اقلیمی به خوبی مشاهده می شود. در شرایط کنونی، روند بارندگی ها در میناب نیز تغییر کرده، طول دوره خشکسالی ها افزایش یافته است. سامانه های بهره برداری استاندارد طراحی شده قبلی برای برآورد آب ورودی به مخازن سدها همانند سد استقلال میناب، پاسخگوی مصارف نیست. لذا، استفاده از روش های جدید در افزایش دقت و همچنین، پیش بینی رواناب حوضه رودخانه میناب امری کاملا ضروری به نظر می رسد. برای رسیدن به این هدف، استفاده از مدل های فیزیکی و عددی در برآورد و پیش بینی دقیق تر از اهمیت خاصی برخوردار است. در این تحقیق، از دو مدل SWAT و هوش مصنوعی FTDNN برای برآورد و پیش بینی رواناب استفاده شده است. واسنجی، اعتبارسنجی و پیش بینی رواناب با استفاده از لایه های خاک، کاربری اراضی، توپوگرافی و داده های هیدروکلیماتولوژی در مقیاس سالانه و ماهانه انجام شد. مقادیر معیارهای ارزیابی همچون میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) برای دو مدل در مرحله واسنجی در دوره سالانه برای مدل  SWATبه ترتیب برابر با 6.89 و 8.37 و در FTDNN برابر با 5.35 و 7.76 برآورد شدند. ضریب خطی رگرسیون R2 در مرحله واسنجی در مقیاس ماهانه به ترتیب معادل 0.96 و 0.89 برای SWAT و این شاخص در مقیاس سالانه معادل 0.89 و 0.49 برای FTDNN است. ضریب خطی رگرسیون در مرحله اعتبارسنجی دو روش مذکور به ترتیب در مقیاس ماهانه 0.98 و 0.6 و در مقیاس سالانه 0.94 و 0.97 در دو مدل را نشان می دهد. نتایج حاصل از مقایسه معیارهای ارزیابی دو مدل حاکی از آن است که مدل هوش مصنوعی FTDNN از دقت و کارایی بیشتری نسب به مدل SWAT برخوردار است.