ارزیابی رتبه‌ای دو رویکرد مدل‌سازی داده‌مبناء و مفهومی فرآیند بارش- رواناب در مقیاس زمانی ماهانه

مدل‌سازی ماهانه فرآیند بارش رواناب نقش مهمی در بهر‌ه‌برداری از سدها دارد. در مقاله حاضر کارایی سه مدل داده‌مبناء شبکه عصبی مصنوعی (ann)، شبکه عصبی رگرسیون تعمیم‌یافته (grnn) و k نزدیک‌ترین همسایگی (knn) در مقایسه با مدل مفهومی ihacres در مدل‌سازی ماهانه بارش رواناب با داده‌های مشابه و ساختار بهینه مورد ارزیابی قرار گرفت. شبیه‌سازی جریان ماهانه ورودی به سد کرخه به عنوان مطالعه موردی انتخاب و از داده‌های مشاهده‌ای 32 ساله (13931361) دما و بارش ماهانه و جریان ماهانه ورودی به سد استفاده شد. با توجه به متفاوت بودن الگوهای بارشرواناب در ماه‌های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل‌ها با استفاده از روش رتبه‌دهی و بر مبنای سه شاخص ارزیابی نش ساتکلیف (nse)، جذر میانگین مربعات خطا (rmse) و ضریب همبستگی (r) انجام شد. نتایج نشان داد که از هر دو روش ارزیابی مدل‌ها در مرحله صحت‌سنجی، دو مدل ann و knn به ترتیب دارای بیشترین و کم‌ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه‌ای مدل‌ها، کارایی دو مدل  ann(0.749 nse= و 0.868r=) و ihacres (0.699 nse=و 0.842r=) با کسب 8 امتیاز مشابه بود و دو مدل grnn (0.618 nse=و 0.793r=) و knn (0.601 nse=و 0.777r=) با کارایی مشابه (5 امتیاز) در رتبه دوم قرار گرفتند. در حالیکه بر اساس روش ارزیابی رتبه‌ای ماهانه، دو مدل ihacres و grnn با کسب مجموع 38 امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ann با 48 امتیاز در مقام دوم قرار گرفت.

Ranking Evaluation of Data-driven and Conceptual Modelling of Rainfall-Runoff Process in Monthly Time Scale

Rainfallrunoff monthly modelling process plays an important role in dams’ operation. Herein the performances of three databased models including Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN) and KNearest Neighbor (KNN) are compared in tandem with IHACRES conceptual model, while they were applied with similar data, and optimal structures. Simulation of monthly inflow to Karkheh reservoir, Iran, was considered as the case study, and 32year data (19822014) of monthly temperature and precipitation belong to the upper subbasin of the dam, and monthly inflow to the reservoir were used. With respect to the different rainfallrunoff patterns in different months, the models assessed in a general and monthly manners using a rating method based on performance criteria including: NashSutcliff Efficiency (NSE), Root Mean Square Error (RMSE) and Correlation Coefficient(R). Results showed that both model evaluation procedure in validation phase, ANN and KNN models have the highest and lowest efficiency in monthly streamflow forecasting, respectively. Based on the rating general evaluation the performance of ANN (NSE= 0.749, R= 0.868) and IHACRES (NSE= 0.699, R= 0.842) are similar with a score of 8 while the GRNN (NSE= 0.618, R= 0.793) and KNN (NSE= 0.601, R= 0.777) models with similar performance (score 5) were ranked in the second order. However, in accordance with rating monthly assessment of the models, the performance of GRNN was similar to IHACRES with the total score of 38 based on three criteria while they were ranked in the second order after ANN model with score 48.