مقایسه کارایی مدل‌های هیدرولوژیکی ‌‌(‌awbm‌ و ‌simhyd‌) و شبکه عصبی (‌rbf‌ و ‌mlp‌) در شبیه‌سازی بارش- رواناب (مطالعه ‌موردی:حوضه بار اریه - نیشابور)‌

برای مدیریت و برنامه ریزی صحیح منابع آب باید اطلاع دقیقی از دبی خروجی حوزه داشت. در بسیاری از حوزه های آبخیز ایستگاه هیدرومتری وجود ندارد، بنابراین از مدل های مختلف برای شبیه سازی دبی در حوزه های فاقد آمار استفاده می شود. انتخاب مدل مناسب برای شبیه سازی بارش - رواناب بستگی به هدف مدل سازی و اطلاعات موجود دارد. در این تحقیق از مدل های مفهومی awbm و simhyd و مدل های شبکه ی عصبی mlp وrbf (با توجه به نیاز کمتر به داده های اندازه گیری شده) جهت شبیه سازی فرایند بارش - رواناب در حوزه بار اریه نیشابور استفاده شد. طول دوره آماری مورد استفاده 30 سال (1391-1362) و طول دوره واسنجی و اعتبار سنجی به ترتیب 5 و 7 سال انتخاب شد. برای شبیه سازی رواناب از نرم افزارهای rrl و spss استفاده شد. برای ارزیابی کارآیی مدل ها از ضریب نش -ساتکلیف (ens)، ضریب تبیین(r2) و ریشه میانگین مربعات خطا (rmse) استفاده شد. نتایج نشان داد مدل های هیدرولوژیکی بهتر از مدل های شبکه عصبی فرآیند بارش رواناب حوزه بار اریه را شبیه سازی می کنند. از بین مدل های ذکر شده، مدل simhydبا ضریب نشساتکلیف، ضریب تبیین و ریشه میانگین مربعات خطا به ترتیب 0.63، 0.8 و 0.02 در دوره واسنجی و 0.54، 0.74 و 0.08 در دوره اعتبار سنجی نسبت به سایر مدل های مورد استفاده در این تحقیق کارآیی بهتری داشته است. نتایج نشان داد بهینه ساز چند آغازه روزنبروک در مدل های هیدرولوژیکی و تابع تانژانت هیپربولیک در شبکه عصبی نسبت به سایر بهینه سازها عملکرد دقیق تری دارند. همچنین مدل های مورد استفاده، مقادیر کمینه و متوسط جریان را با دقت قابل قبولی شبیه سازی کردند. اما شبیه سازی مقادیر اوج جریان به خوبی صورت نگرفت. زیرا این مدل ها نوع و شدت بارش، زمان تاخیر ناشی از ذوب برف و زمان تمرکز حوزه را در نظر نمی گیرند.

Comparison of Efficiency for ‎Hydrological Models (AWBM & ‎SimHyd) and Neural Network (MLP & ‎RBF) in Rainfall–Runoff Simulation ‎(Case study: Bar Aryeh Watershed ‎‌-‌Neyshabur)‎

For suitable programming and management of water resources, access to perfect information from the discharge at the watershed outlet is essential. In most watersheds, the hydrometric station is not available; then, different models are used to simulate the discharge within watersheds without data. The selection of preferred model for rainfall runoff simulation depends to the purpose of modeling and available data. In this research the conceptual rainfall runoff models, SimHyd and AWBM and neural network models, MLP and RBF (by regard the less need to measured data) were used to model of rainfall runoff process in BarAryeh watershed of Nishabur. The length of data was 30 years (19832012) and the length of calibration and validation periods was 5 and 7 years, respectively. RRL and SPSS programs software were used for simulation of runoff. Nash Sutcliff (ENS), coefficient of determination (R2), the root mean square error (RMSE) used to evaluate the models. Results showed that hydrological models simulate rainfall runoff process in Bar Aryeh watershed of Neyshabur better than neural network models. Between mentioned models, the SimHyd with ENS, R2 and RMSE equal to 0.632, 0.8 and 0.02 respectively in the calibration period and 0.541, 0.74 and 0.08 in the validation period has better performance than other models which used in this research. The results showed that the Rosenbrock's search optimizer for the hydrological models and the function of tangent hyperbolic for the neural network models have more accurate operations than other optimizers. In addition, used models simulate the minimum and average values of the flow with an acceptable accuracy but the simulation of maximum values did not do well. Because these models do not regard the type and intensity of precipitation, lag time from snowmelt and concentration time of watershed.