مدل سازی و پیش بینی رواناب ماهانه در دامنه زمان (مطالعه موردی: حوضه آبریز قره سو)

در پژوهش حاضر برای مدل سازی رواناب ماهانه، از داده های چهار ایستگاه هیدرومتری پل توسکاستان، نهارخوران، غازمحله و سیاه آب در حوضه آبریز قره سو در یک دوره آماری 36 ساله استفاده شد. سپس بررسی همگنی سری داده ها با استفاده از آزمون چاو انجام شد. پس از مرتب سازی داده ها، برای مدل سازی مقادیر رواناب ماهانه از چهار روش باکس و جنکینز (SARIMA)، شبکه عصبی مصنوعی (ANN)، شبکه عصبی مصنوعی فازی (ANFIS) و الگوریتم ژنتیک (GA) در ایستگاه های هیدرومتری منتخب استفاده شد. پس از مدل سازی مقادیر رواناب ماهانه با استفاده از چهار مدل فوق، به پیش بینی تغییرات رواناب ماهانه در ایستگاه های هیدرومتری منتخب برای دوازده ماه آینده پرداخته شد و این امر با کمک نرم افزارهای Minitab، R و SPSS  صورت گرفت. با توجه به نوع پراکنش مقادیر رواناب و وجود داده صفر، برای تثبیت واریانس از تبدیلlog(1+Yt)   در مدل استفاده شد. در مرحله بعد، اعتبارسنجی مقادیر پیش بینی شده توسط مدل ها با استفاده از شاخص های MAD، RMSE و MAPE ارزیابی شد. نتایج نشان داد که در اکثر ایستگاه های هیدرومتری منتخب، مدل شبکه عصبی مصنوعی بهترین عملکرد را در بین چهار مدل مورد استفاده داشت. بعد از شبکه عصبی مصنوعی، شبکه عصبی مصنوعی فازی دارای مناسب ترین عملکرد بود. روش باکس و جنکینز نیز با وجود اینکه در تشخیص روند تغییرات به صورت مناسب عمل کرده بود، در بین چهار مدل مورد استفاده عملکرد ضعیف تری را در پیش بینی مقادیر رواناب داشت.