پژوهشکده حفاظت خاک و آبخیزداری مهندسی و مدیریت آبخیز 2251-9300 مقالات آماده انتشار 2026 06 08 Presenting an Integrated Intelligent Model (Cat-XG)Boost for Runoff Prediction (Case Study: Karaj Watershed) ارائه مدل تلفیقی هوشمند (Cat-XG)Boost به‌منظور پیش‌بینی رواناب (مطالعه موردی: حوزه‌آبخیز کرج) 135636 10.22092/ijwmse.2026.371813.2147 FA رامتین طاوسی راد گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-3284-2140 محمد انصاری قوجقار استادیار، گروه مهندسی احیاءمناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. آرش ملکیان گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران Journal Article 2025 12 19 Accurate runoff prediction plays a crucial role in water resource management, flood control, and climate change adaptation planning. Given the nonlinear, complex, and multifactorial nature of hydrological processes, the use of data-driven methods and machine learning algorithms has become an efficient approach for runoff analysis and modeling in recent years. Two individual models, XGBoost, CatBoost, and a hybrid model Boost(Cat-XG) were evaluated to predict runoff in the Karaj watershed. The models were measured with 4 evaluation criteria NS, R, RMSE and MAE. The prediction results showed that the hybrid model (Cat-XG)Boost with a significant difference provides the best performance in predicting monthly runoff of the Karaj watershed compared to the two individual models evaluated. This model recorded NS above 0.957 and correlation above 0.939 in all stations studied. In addition, it recorded significantly fewer errors than the other two models. While the individual models XGBoost and CatBoost, especially in stations with more extensive data, faced increased errors. The two individual models studied provided average performance in predicting values related to extreme climate events, but by combining the two individual models and introducing the hybrid model Boost(Cat-XG), the defects in the individual models were covered and also by eliminating existing errors, much more accurate predictions were recorded. پیش‌بینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامه‌ریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرآیندهای هیدرولوژیک، استفاده از روش‌های داده‌محور و الگوریتم‌های یادگیری ماشین در سال‌های اخیر به رویکردی کارآمد برای تحلیل و مدل‌سازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، CatBoost و مدل هیبریدی Boost(Cat-XG) به‌منظور پیش‌بینیِ روانابِ حوزه آبخیز کرج مورد ارزیابی قرار گرفتند. مدل‌ها با 4 معیار ارزیابی NS، R، RMSE و MAE سنجیده شدند. پیش‌بینی‌های مدل‌های مورد پژوهش در 4 حالت به ثبت رسید. حالت نخست، دبی متوسط 3 ماه گذشته به‌عنوان ورودی مدل در نظر گرفته شد. در سناریوی دوم، دبی متوسط 6 ماه قبل وارد مدل شد. سناریوی سوم با استفاده از سه فصل تاخیر متوالی(9 ماه) دبی متوسط ماهانه طراحی شد. سناریوی چهارم شامل یک سال وقفه زمانی متوالی بوده است. نتایج پیش‌بینی‌ها نشان داد که مدل هیبریدی (Cat-XG)Boost با اختلاف قابل توجهی بهترین عملکرد را در پیش‌بینی رواناب ماهانه حوزه آبخیز کرج نسبت به دو مدل انفرادی مورد ارزیابی ارائه می‌دهد. این مدل در تمامی ایستگاه‌های مورد بررسی NS بالای 957/0، همبستگی بالای 939/0 به ثبت رساند. ضمن اینکه با اختلاف قابل توجهی خطاهای کمتری نسبت به دو مدل دیگر ثبت کرد. درحالی‌که مدل‌های انفرادی XGBoost و CatBoost به‌ویژه در ایستگاه‌های با داده‌های گسترده‌تر با افزایش خطا مواجه شدند. دو مدل انفرادی مورد پژوهش عملکرد متوسط در پیش‌بینی مقادیر مرتبط با وقایع حدی اقلیمی ارائه کردند اما با ترکیب دو مدل انفرادی و معرفی مدل هیبریدی Boost(Cat-XG)، عیوب موجود در مدل‌های انفرادی پوشیده شده و همچنین با رفع خطاهای موجود، پیش‌بینی‌های بسیار دقیق‌تری به ثبت رسید.