بررسی مقایسه‌ای شبکه عصبی، مدل IHACRES و رگرسیون خطی در شبیه‌سازی رواناب درحوضه آبریز طشک-بختگان

فصلنامه علمی مهندسی منابع آب

مقاله 3، دوره 15، شماره 53، مرداد 1401، صفحه 29-40   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/wej.2021.22332.2182

نویسندگان

علیرضا پیل پایه^{* 1}؛ آیدین باختر²؛ اکبر رحمتی³؛ افشین شایقی⁴

¹استادیار گروه مهندسی عمران، واحد پارس آباد مغان، دانشگاه آزاد اسلامی، پارس آباد، ایران.

²دانش‌آموخته کارشناسی ارشد رشته مدیریت منابع اب، گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران .

³دانش‌آموخته کارشناسی ارشد رشته مدیریت منابع اب، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران.

⁴دانش‌آموخته کارشناسی ارشد رشته مدیریت منابع اب، دانشکده فنی و مهندسی، گروه مهندسی آب، دانشگاه بین المللی امام خمینی (ره) قزوین، قزوین، ایران.

تاریخ دریافت: 22 مرداد 1398،  تاریخ بازنگری: 09 بهمن 1398،  تاریخ پذیرش: 10 شهریور 1400 

چکیده

شبیه‌سازی میزان رواناب از مهمترین موضوعات در زمینه هیدرولوژی و منابع آب می‌باشد با پیش‌بینی میزان رواناب در دوره‌های آینده می‌توان میزان سیلاب و همچنین روند افزایشی و کاهشی میزان دبی رودخانه را تعیین کرد. روش‌های مختلفی به منظور شبیه‌سازی و یا پیش‌بینی میزان رواناب وجود داشته که از این بین می‌توان به روش‌های آماری، مدل‌های بارش- رواناب و هوش مصنوعی اشاره کرد. در این پژوهش با استفاده از سه مدل متشکل از شبکه عصبی، IHACRES و رگرسیون خطی میزان رواناب درحوضه طشک- بختگان برآورد شده و با استفاده از آماره‌هایی همچون ضریب همبستگی، ضریب تبیین و دیگر شاخص‌های خطا این مدل‌ها مورد ارزیابی قرار گرفتند. نتایج حاکی از این بود که میزان رواناب و بارش دارای رابطه غیر خطی بوده و به همین جهت نمی‌توان جهت برآورد میزان رواناب به مدل رگرسیون خطی اعتماد کرد. از دیگر نتایج این پژوهش می‌توان به این مورد اشاره کرد که در حالت کلی مدل شبکه عصبی به دلیل برقراری رابطه غیر خطی بین میزان بارش و رواناب نسبت به دو مدل دیگر از دقت مناسبی در برآورد میزان رواناب ماهانه در سطح حوضه طشک- بختگان برخوردار می‌باشد.

کلیدواژه‌ها

سیلاب؛ مدل بارش- رواناب؛ هوش مصنوعی

عنوان مقاله [English]

Comparative evaluation of IHACRES, ANN and Linear Regression to simulate runoff in Tashk- Bakhtegan basin

نویسندگان [English]

Alireza Pilpayeh¹؛ Aydin Bakhtar²؛ Akbar Rahmati³؛ Afshin Shayeghi⁴

¹Assistant Professor, Department of Civil Engineering, Parsabad Moghan Branch, Islamic Azad University, Parsabad, Iran.

²Graduate M.Sc. student in Water Resources Management, Department of Water Engineering, Urmia University, Urmia, Iran.

³Graduate M.Sc. student in the field of water resources management, Faculty of Agriculture, University of Tehran, Tehran, Iran.

⁴Graduate M.Sc. student in the field of water resources management, engineering faculty, water engineering department, Imam Khomeini International University, Qazvin, Iran.

چکیده [English]

Streamflow simulation is one of the most important issues in the field of hydrology and water resources. Forecasting of runoff in future periods can determine the rate of flooding and also the increasing and decreasing trend of river discharge. There are various methods to simulate or predict runoff rates, including statistical methods, rainfall-runoff models and artificial intelligence. In this study, three models consisting of neural network, IHACRES and linear regression were used to estimate runoff in Tashk-Bakhtegan basin and evaluated using statistics such as correlation coefficient, coefficient of determination and other error indices. The results showed that runoff and precipitation have a non-linear relationship and therefore, the linear regression model cannot be trusted to estimate runoff. The results also showed that, in general the neural network model due to the nonlinear relationship between precipitation and runoff compared to the other two models have good performance in estimating monthly runoff in Tashk-Bakhtegan basin.

کلیدواژه‌ها [English]

Artificial Intelligence, Rainfall- Runoff models, neural network, flood

مراجع

1.       Mengistu, K.T. Watershed Hydrological Responses to Changes in Land Use and Land Cover, and Management Practices at Hare Watershed, Ethiopia. 2009.

2.       Te Linde, A.H.; Aerts, J.; Hurkmans, R.; Eberle, M. Comparing Model Performance of Two Rainfall-Runoff Models in the Rhine Basin Using Different Atmospheric Forcing Data Sets. Hydrol. Earth Syst. Sci. 2008, 12, 943–957.

3.       Dye, P.J.; Croke, B.F.W. Evaluation of Streamflow Predictions by the IHACRES Rainfall-Runoff Model in Two South African Catchments. Environ. Model. Softw. 2003, 18, 705–712.

4.       Dakhlaoui, H.; Ruelland, D.; Tramblay, Y.; Bargaoui, Z. Evaluating the Robustness of Conceptual Rainfall-Runoff Models under Climate Variability in Northern Tunisia. J. Hydrol. 2017, 550, 201–217.

5.       Khazaee Poul, A.; Shourian, M.; Ebrahimi, H. A Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction. Water Resour. Manag. 2019, 33, 2907–2923.

6.       Lotfirad, M.; Salehpoor Laghani, J.; Ashrafzadeh, A. Using the IHACRES Model to Investigate the Impacts of Changing Climate on Streamflow in a Semi-Arid Basin in North-Central Iran. J. Hydraul. Struct. 2019, 5, 27–41.

7.       Ahmadi, M.; Moeini, A.; Ahmadi, H.; Motamedvaziri, B.; Zehtabiyan, G.R. Comparison of the Performance of SWAT, IHACRES and Artificial Neural Networks Models in Rainfall-Runoff Simulation (case Study: Kan Watershed, Iran). Phys. Chem. Earth, Parts A/B/C 2019, 111, 65–77.

8.       Abolverdi, J.; Khalili, D. Probabilistic Analysis of Extreme Regional Meteorological Droughts by L-Moments in a Semi-Arid Environment. Theor. Appl. Climatol. 2010, 102, 351–366.

9.       Jakeman, A.J.; Hornberger, G.M. How Much Complexity Is Warranted in a Rainfall‐runoff Model? Water Resour. Res. 1993, 29, 2637–2649.

10.   Helsel, D.R.; Hirsch, R.M. Statistical Methods in Water Resources; Elsevier, 1992; Vol. 49; ISBN 0444885285.

11.   Bal, P.K.; Ramachandran, A.; Geetha, R.; Bhaskaran, B.; Thirumurugan, P.; Indumathi, J.; Jayanthi, N. Climate Change Projections for Tamil Nadu, India: Deriving High-Resolution Climate Data by a Downscaling Approach Using PRECIS. Theor. Appl. Climatol. 2016, 123, 523–535.

12.    فعالیان; روشن, ح.ن.; روشن, ح.ن.; شاهدی; شاهدی; قنبرپور; قنبرپور کالیبراسیون و ارزیابی مدل هیدرولوژیکی IHACRES  به منظور شبیه سازی جریان روزانه. آب و خاک 2011, 25.

13.    مقدم, ر.; حجازی; میراسدالله; بهبودی; عبداله واسنجی و ارزیابی عملکرد مدل IHACRES در شبیه سازی رواناب در زیرحوضه ی آبریز لنبران، اهرچای. هیدروژئومورفولوژی 2019, 6, 187–204.