ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای)

سابقه و هدف: مدل‌سازی بارشرواناب یک فرآیند ضروری و پیچیده می‌باشد که در بهره‌برداری مناسب از مخازن و مدیریت و برنامه ریزی صحیح منابع آب نقش عمده‌ای دارد. مدل‌سازی این فرآیند با استفاده از روش‌های مختلفی امکانپذیر است. ازنظر تئوری، در مدل‌سازی یک سیستم می‌بایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم قطعیت‌های ذاتی آن‌ها، استخراج چنین مدلی بسیار مشکل می‌باشد. برای مدل‌سازی بارشرواناب تا کنون کارایی مدل‌هایی نظیر شبکه عصبی، مدلهای چند‌متغیره خود همبسته با میانگین متحرک مورد بررسی قرار گرفته است لذا در این تحقیق میزان دقت مدلهای carma و ann در مدل‌سازی بارشرواناب مورد بررسی قرار گرفته است. مواد و روش‌ها: در این مطالعه، مدل‌های چند‌متغیره خود همبسته با میانگین متحرک هم‌زمان (carma) و شبکه عصبی مصنوعی جهت مدل‌سازی بارشرواناب مورد ارزیابی قرار گرفتند. برای مدل ann سه سناریو در نظر گرفته شد. جهت استفاده از مدل‌های فوق، از سری زمانی مجموع بارش و رواناب ماهانه در دوره آماری (1394-1353) مربوط به حوضه آبریز نازلو چای واقع در ´49 °44 طول جغرافیایی و ´40 °37 عرض جغرافیایی واقع در استان آذربایجان غربی استفاده شد. در ابتدا، داده‌ها ازنظر تصادفی بودن، روند و همگنی، به ترتیب با استفاده از آزمون‌های رانتست، منکندال و ویلکاکسون مورد بررسی قرار گرفتند و پس از آن داده‌ها به دو گروه تقسیم شدند. 80 درصد داده‌ها به آموزش مدل و 20 درصد از داده‌ها به آزمون مدل اختصاص داده شد. معیارهای عملکرد به کار برده شده نیز معیارهای ریشه میانگین مربعات خطا، نشساتکلیف و ضریب همبستگی بوده است. یافته‌ها: نتایج نشان داد که مدل carma دقت به‌مراتب مناسب‌تری نسبت به مدل ann داشته است به‌طوری‌که معیار ریشه میانگین مربعات خطا در مدل carma برابر با 7.7 و در مدل ann برابر با 9.50 متر مکعب بر ثانیه بود. همچنین معیارهای نشساتکلیف و r2 در مدل carma به ترتیب برابر با 0.41 و 0.54 در حالی که مقادیر این معیارها در مدل ann برابر با 0.45 و 0.80 بوده است. لذا مدل carma برای مدل‌سازی بارشرواناب از دقت بیشتری نسبت به مدل ann برخوردار بوده است. نتیجه‌گیری: بر اساس نتایج حاصل از این تحقیق، استفاده از مدل‌های چند‌متغیره خانواده arma سبب کاهش میزان خطای مدل به‌میزان 18 درصد نسبت به مدل ann شده است لذا مدل carma نسبت به مدل ann از عملکرد مناسب‌تری برخوردار بوده است و این موضوع اهمیت در نظر گرفتن جزء تصادفی در مدل‌سازی را نشان می‌دهد.