ارزیابی کارایی مدل هیدرولوژیکی ihacres و شبکه عصبی مصنوعی به‌منظور پیش‌بینی جریان در رودخانه بختیاری

مقدمه و هدف: در سال های اخیر پیش‌بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش‌بینی نیازمند آمار و اطلاعات است که متاسفانه اغلب حوضه‌های کشور فاقد داده‌های با کمیت و کیفیت مورد نظر می‌باشند. مدل‌سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم‌کفایت و عدم وجود داده های باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می‌گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل‌ها با توجه به شرایط هیدرولوژیکی هر منطقه است. مواد و روش‌ها: مدل های زیادی برای پیش‌بینی‌ جریان رودخانه مورد استفاده قرار می‌گیرند. در این تحقیق از مدل بارش-رواناب ihacres و شبکه عصبی مصنوعی به‌عنوان مدل داده محور برای پیش‌بینی جریان، در رودخانه بختیاری استفاده شد. از داده‌های سال‌های 1984 تا 1994 به‌عنوان داده‌های مرحله واسنجی و از داده‌های سال‌های 1995 تا 2006 برای صحت سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه dence با تعداد نرون‌های 10، 20، 50 و 100 استفاده شد. معیار بهینه‌سازی adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده‌شده mse است و تابع فعال‌ساز به علت پیوسته بودن داده‌ها sgmoid انتخاب شد.یافته‌ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص‌های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه‌سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله صحت سنجی به‌ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی 0/74، 0/75، 0/77، 1/25، 0/7 و 0/94، 0/89، 0/89، 0/57، 0/26 محاسبه شد.نتیجه‌گیری: بر اساس نتایج روش‌های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی ihacres پیش‌بینی دقیق‌تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه‌سازی جریان های اوج  علاوه بر شبیه‌سازی جریان روزانه از نتایج قابل‌توجه این تحقیق است.  

evaluation of ihacres, conceptual rainfall runoff model and artificial neural network models in simulation and stream flow prediction in bakhtiary river basin

introduction and objective: in recent years, river flow forecasting is one of the most important issues for water resources management in iran. this prediction requires statistics and information, unfortunately, most of the basins of the country lack data of the desired quantity and quality.material and methods: therefore, hydrological modelling and the use of artificial intelligence are examples of solutions that are used to solve this challenge in hydrology. the criteria for selecting the appropriate model for this process are to evaluate the performance of the models according to the hydrological conditions of each region. in this research, ihacres model and artificial neural network (ann) were used to predict the streamflow in bakhtiary basin. the data from 1984 to 1994 were used as calibration period and the data from 1995 to 2006 were used for validation.results: the evaluation results of the hydrological model and the artificial neural network were evaluated using kling-gupta, nash-sutcliffe indices, coefficient of determination, mean squared error and absolute mean error. results showed that the artificial neural network had better results in the simulation in all the evaluated evaluation criteria. conclusion: according to the results of the methods used in the research, the artificial neural network method has a more accurate prediction of the bakhtiary river flow than the hydrological model.