ارزیابی رتبه ای دو رویکرد مدل سازی داده مبناء و مفهومی فرآیند بارش- رواناب در مقیاس زمانی ماهانه

مدل سازی ماهانه فرآیند بارش- رواناب نقش مهمی در بهر ه برداری از سدها دارد. در مقاله حاضر کارایی سه مدل داده مبناء شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم یافته (GRNN) و K نزدیک ترین همسایگی (KNN) در مقایسه با مدل مفهومی IHACRES در مدل سازی ماهانه بارش- رواناب با داده های مشابه و ساختار بهینه مورد ارزیابی قرار گرفت. شبیه سازی جریان ماهانه ورودی به سد کرخه به عنوان مطالعه موردی انتخاب و از داده های مشاهده ای 32 ساله (1393-1361) دما و بارش ماهانه و جریان ماهانه ورودی به سد استفاده شد. با توجه به متفاوت بودن الگوهای بارش-رواناب در ماه های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل ها با استفاده از روش رتبه دهی و بر مبنای سه شاخص ارزیابی نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد. نتایج نشان داد که از هر دو روش ارزیابی مدل ها در مرحله صحت سنجی، دو مدل ANN و KNN به ترتیب دارای بیشترین و کم ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه ای مدل ها، کارایی دو مدل  ANN(749/0 NSE= و 868/0R=) و IHACRES (699/0 NSE=و 842/0R=) با کسب 8 امتیاز مشابه بود و دو مدل GRNN (618/0 NSE=و 793/0R=) و KNN (601/0 NSE=و 777/0R=) با کارایی مشابه (5 امتیاز) در رتبه دوم قرار گرفتند. در حالیکه بر اساس روش ارزیابی رتبه ای ماهانه، دو مدل IHACRES و GRNN با کسب مجموع 38 امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ANN با 48 امتیاز در مقام دوم قرار گرفت.