مقایسه عملکرد مدل های هوش مصنوعی با مدل IHACRES در مدل سازی جریان حوضه آبریز رودخانه گاماسیاب
امروزه رویکردهای جدید مدل سازی جریان به دلیل تغییرات اقلیمی و نوسانات شدت و مدت بارش در اکثر مناطق جهان، برای مدیریت منابع آب و کاهش خطرات ناشی از بروز سیلاب نقش فوق العاده ای دارند. در این پژوهش، به مدل سازی جریان برای حوضه آبریز رودخانه گاماسیاب، واقع در غرب ایران، پرداخته شده است. برای این منظور از مدل های هوش مصنوعی (AI) شامل، مدل های شبکه عصبی مصنوعی (ANN) از نوع پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و مدل حافظه طولانی کوتاه-مدت (LSTM) استفاده شده است. علاوه بر این برای ارزیابی بهتر مدل های AI از یک مدل تخصصی نیمه مفهومی بارش-رواناب نیز با عنوان IHACRES بهره گرفته شد. داده های مورد استفاده شامل، داده های دبی جریان، بارش و متوسط دمای روزانه برای یک دوره زمانی 31 سال (1 مهر 1365-31 شهریور 1396) که به صورت سری زمانی داده های با تاخیر و به عنوان سیگنال ورودی به مدل ها استفاده شده است. جهت ارزیابی عملکرد مدل ها از معیار ضریب کارایی نش-ساتکلیف (NSE)، مجذور میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) استفاده شد. نتایج به دست آمده براساس معیار NSE برای مدل هایLSTM ، RBF، ANN و IHACRES در دوره صحت سنجی به ترتیب برابر مقادیر 0/930، 0/907، 0/903 و 0/512 است. بنابراین، مدل LSTM عملکرد بهتری در دوره صحت سنجی نسبت به سایر مدل ها در تخمین دبی جریان ارایه کرد. در ضمن، نتایج به دست آمده هر چهار مدل به کار گرفته شده رضایت بخش است. نتایج حاکی از عملکرد بهتر مدل های ANN، RBF و LSTM به ویژه در نقاط اوج جریان نسبت به IHACRES در مدل سازی جریان برای منطقه مورد مطالعه است. در کل، نتایج نشان داد که مدل های AI، ابزار مفید برای مدل سازی نوسانات جریان هستند و توصیه می شود در مطالعات آتی، این ابزار بیش تر مورد استفاده قرار گیرد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.