مدل ‌سازی رواناب در حوضه‌های فاقد آمار با استفاده از داده‌های سنجش از دور (rs) و شبکه‌های عصبی مصنوعی (anns) (مطالعه موردی: حوضه دشت اردبیل)

اگرچه اخیراً مدل‌ سازی بارش - رواناب چالش بزرگی به حساب نمی‌آید، اما این مورد همچنان در حوضه و یا زیرحوضه‌های فاقد آمار یکی از مسایل چالش برانگیز برای محققان این حوزه است. یکی از روش‌های نوین در این زمینه استفاده از تکنیک‌های سنجش از دور و استفاده از یادگیری ماشین (هوش مصنوعی)  بوده ‌است. در این تحقیق برای محاسبه رواناب در حوضه‌های فاقد آمار، از دو حوضه شامل حوضه ایستگاه هیدرومتری سامیان و حوضه ایستگاه هیدرومتری عموقین در دشت اردبیل استفاده شد. ایستگاه اول به عنوان خروجی حوضه دشت اردبیل و برای آموزش و واسنجی مدل و از ایستگاه دوم به عنوان حوضه فاقد آمار برای صحت‌سنجی و آزمون، انتخاب شدند. مدل‌سازی با استفاده از 9 پارامتر ورودی شامل فشار‌هوا، شاخص پوشش گیاهی (پوشش کم و زیاد)، دمای خاک، دمای سطح زمین، حجم آب خاک، رواناب، پتانسیل تبخیر و بارش انجام شد. همچنین، از یک پارامتر مربوط به آمار مشاهداتی ایستگاه‌ها، به عنوان خروجی استفاده شد. مدل‌سازی با استفاده از چهار مدل شامل narx، ann-aco، ann-ga، ann-pso انجام و برای ارزیابی دقت مدل‌ها از آماره‌های mse، r2، rmse، nse و mae استفاده شد. نتایج نشان دادند که مدل narx به ترتیب و با دقت 0/001، 0/86، 0/039، 0/855 و 0/015 به وضوح نسبت به سایر مدل‌ها از برتری بسیار خوبی برخودار است. باتوجه به امکان دستیابی به نتایجی با دقت بالا و باتوجه به وجود حوضه‌های کم‌آمار و فاقد‌آمار در سرتاسر جهان، استفاده از روش‌های سنجش از دور در ترکیب با هوش مصنوعی می‌تواند بخشی از چالش‌های هیدرولوژیست‌ها را پاسخ دهد.

modelling ungauged basins using remote sensing (rs) data and artificial neural networks (anns) (case study: ardabil plain basin)

although rainfall-runoff modelling is not considered a big challenge recently, it is still one of the challenging issues for researchers in the basin or sub-basins without statistical data. one of the new methods in this field is the use of remote sensing techniques and the use of machine learning (artificial intelligence). in this research, to calculate the runoff in the basins without data, two basins were used including the basins for the samian and the amoghein hydrometric stations in ardabil plain. the first station was chosen as the outlet of the ardabil plain basin for model training and calibration and the second station was used as the basin without data for verification and testing. modelling was done using 9 input parameters including air pressure, vegetation cover index (low and high cover), soil temperature, ground surface temperature, soil water volume, runoff, evaporation potential and precipitation. also, a parameter related to the observational data of the stations was used as an output. modelling was done using four models of narx, ann-aco, ann-ga, ann-pso and the accuracy of the models were evaluated using mse, r2, rmse, nse and mae. the results showed that the narx model is clearly superior to other models with an accuracy of 0.001, 0.86, 0.039, 0.855 and 0.015 respective to the above-mentioned measures. remote sensing methods combined with artificial intelligence can respond to hydrologists’ challenges in data-scarce and ungauged basins around the world due to their ability to provide high-precision results.