نوع مقاله : مقاله پژوهشی

نویسندگان

• پویا اللهویردی پور
• یعقوب دین پژوه

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

با توجه به وقوع خشکسالی‌های مداوم و تغییرات اقلیمی به‌وقوع پیوسته و در نتیجه آن کاهش منابع آبی در دهه‌های اخیر، پیش‌بینی میزان جریان رودخانه‌ها در حوضه‌های مختلف جهت مدیریت منابع آب بسیار مورد توجه قرار گرفته است. برآورد و پیش‌بینی دقیق رواناب، اصلی‌ترین مساله در استحصال منابع آب‌های سطحی و استفاده بهینه از پتانسیل حوضه‌های مختلف آبخیز است. حوضه آبخیز دریاچه ارومیه به‌عنوان یکی از مهمترین حوضه‌های آبی ایران، در سال‌های اخیر رو به خشکی نهاده است. با توجه به این موضوع، اطلاع و آگاهی در زمینه منابع آبی این حوضه و زیرحوضه‌های آن و نیز شبیه‌سازی و پیش‌بینی منابع مختلف ورودی به آن از جمله رواناب‌ها بسیار مهم است.
حوضه آبخیز آجی‌چای یکی از زیرحوضه‌های دریاچه ارومیه می‌باشد. این حوضه در ناحیه شمال‌غربی ایران و در استان آذربایجان شرقی قرار دارد. در این تحقیق از داده‌های بارش ایستگاه همدیدی تبریز و رواناب ایستگاه هیدرومتری نهند واقع در این حوضه از سال آبی 77-1376 تا 97-1396 استفاده شد. جهت مدل‌سازی بارش-رواناب از روش‌های شبکه عصبی مصنوعی (ANN)، برنامه‌نویسی بیان ژن (GEP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. 70 درصد از داده‌ها برای آموزش و 30 درصد از داده‌ها برای صحت‌سنجی مدل‌ها استفاده شد.
نتایج این تحقیق نشان داد که تمامی مدل‌های مورد بررسی در این تحقیق عملکرد بسیار خوبی در شبیه‌سازی بارش-رواناب روزانه در حوضه آجی‌چای دارند. بر اساس نمودارهای پراکنش و سری‌های زمانی، مدل GEP در مدل‌سازی مقادیر بارش-رواناب این حوضه با همبستگی بالا نسبت به سایر مدل‌ها بیشترین دقت را داشت. با توجه به نتایج و معیارهای آماری، مدل GEP با R2=0.84، RMSE=0.024 m3.s-1، NSE=0.864 و WI=0.968 دقیق‌ترین مدل در شبیه‌سازی فرایند بارش-رواناب روزانه حوضه آجی‌چای بود. مدل‌های مورد بررسی در شبیه‌سازی رواناب‌های بیشینه خطا داشته و این مقادیر را کمتر برآورد کرده‌اند. این نکته می‌تواند به‌دلیل خاصیت مدل‌های هوشمند باشد که به داده‌های آموزش حساسیت بسیار زیادی دارند. از عوامل موثر در عملکرد مدل‌ها در برآورد رواناب‌های بیشینه می‌توان تعیین نوع و ساختار مدل‌ها را نام‌برد.
به‌طور کلی نتایج این تحقیق نشان‌داد که مدل GEP نسبت به سایر مدل‌های مورد بررسی، در شبیه‌سازی بارش-رواناب دقت بیشتر و عملکرد بهتری دارد. نتایج این تحقیق نشان‌دهنده عملکرد مناسب مدل‌های یادگیری ماشین در شبیه‌سازی فرایند بارش-رواناب است. به‌طور کلی با توجه به دقت بالای مدل‌های هوشمند به‌ویژه مدل GEP در پیش‌بینی فرایند بارش-رواناب روزانه، استفاده از این روش‌ها در مسائل هیدرولوژیک توصیه می‌شود.

کلیدواژه‌ها

• بارش-رواناب
• برنامه‌نویسی بیان ژن
• حوضه آجی‌چای
• جنگل تصادفی
• شبکه عصبی مصنوعی

عنوان مقاله [English]

Modeling the Rainfall-Runoff of Ajichai Basin Using Intelligent Models

نویسندگان [English]

• Pouya Allahverdipour
• Yaghob Dinpashoh

Department of Water Engineering , Faculty of Agriculture , University of Tabriz, Tabriz, Iran

چکیده [English]

A significant portion of precipitation in the hydrologic cycle is converted into runoff due to the characteristics of watersheds. Considering the problem that the Lake Urmia Basin is going to be shirinkage, it is important to identify the water resources of this basin and its sub-basins.
Ajichai basin, is one of the sub-basins of Lake Urmia. In this study, rainfall data of Tabriz synoptic station and runoff data of Nahand hydrometric station is used. The aim of this research is to model the daily rainfall-runoff of the Ajichai basin using intelligent machine learning models including the Artificial Neural Network (ANN), Support Vector Machine (SVM), Gene Expression Programming (GEP) and Random Forest (RF). 70% of the data was used for training and 30% of the data was used for testing the models. Statistical measures of Coefficient of determination (R2), Root Mean Square Error (RMSE), Nash-Sutcliffe Efficiency (NSE) and Wilmot Index (WI) were used to evaluate the performance of the models.
The results of this research showed that all the models had a very good performance in simulating the rainfall-runoff in the Ajichai basin. According to the obtained results, the GEP model with R2=0.84, RMSE=0.024m3.s-1, NSE=0.864 and WI=0.968 is the most accurate one in modeling rainfall-runoff of Ajichai basin. Based on the scatter plots and time series, the GEP model was more accurate than other models in modeling the rainfall-runoff values of this basin with high correlation.
According to the results, all the investigated models had good capabilities in modeling the daily rainfall-runoff in the Ajichai basin. The results of this research show the very reasonable performance of machine learning models in rainfall-runoff modeling. In general, due to the high accuracy of intelligent models, especially the GEP model in predicting daily rainfall-runoff, it is recommended to use these methods in hydrological problems.

کلیدواژه‌ها [English]

• Artificial Neural Network
• Ajichai Basin
• Gene Expression Programming
• Rainfall-Runoff
• Random Forest