پیش بینی رواناب روزانه با استفاده از مدل های یادگیری ماشین

مدل‌سازی فرآیند بارش-رواناب، یکی از روش‌های رایج در برآورد رواناب و ابزاری کارآمد برای تحلیل فرآیندهای هیدرولوژیکی، ارزیابی منابع آب و مدیریت بهینه آبخیزها به‌شمار می‌رود. از این رو، بهره‌گیری از روش‌هایی که در عین پویایی، دارای ساختار مفهومی روشن، قابلیت توسعه و کاربرد آسان باشند، ضرورت دارد. در این تحقیق، کارایی سه مدل هوش‌مصنوعی جنگل تصادفی (rf)، برخورد گروهی با داده ها (gmdh) و استنتاج فازی-عصبی تطبیقی  (anfis)برای پیش‌بینی رواناب روزانه در دو آبخیز تلوار و طالقان مورد ارزیابی قرار گرفت. داده‌های مورد استفاده شامل بارش 24 ساعته، دما، رطوبت نسبی، میانگین سرعت باد، میانگین رطوبت نسبی، میزان بارش برف کلی، و نیز شاخص بارش پیشین و شاخص دبی پیشین برای دوره آماری 13 ساله جمع‌آوری و محاسبه شد. نتایج حاصل از مدل سازی برای آبخیز طالقان نشان داد که مدل gmdh با بیشترین مقادیر ضریب تعیین (8845/ 0 =r²) و معیار نش-ساتکلیف (0/8836 =nse و همچنین کمترین ریشه میانگین مربعات خطا،  با (4/09=rmse) بالاترین دقت و کمترین خطا را در شبیه‌سازی رواناب ارائه داد. مدل  rfبا مقادیر(8801/ r²=0، nse=0/8798،  4/16= rmse) در رتبه دوم قرار گرفت و توانست نتایج نسبتاً قابل قبولی تولید کند، هرچند دقت آن اندکی کمتر از مدل  gmdh بود. در مقابل، مدل   anfis  با 0/8610= r²=0/8710، nse= و4/32=rmse ضعیف‌ترین عملکرد را در میان مدل‌های مورد بررسی داشت. و همچنین نتایج برای آبخیز تلوار نشان داد که مدل gmdh با مقادیر  3631/ rmse=0 و 939/ nse=0و مدل rf با مقادیر 9260/ nse=0و 0/4017 rmse و مدل  anfis با ‌‌مقادیر 0/3640 rmse=و 0/9392 nse بیانگر آن است که مدل های مورد بررسی از لحاظ عملکرد به این ترتیب قرار گرفته اند: gmdh، anfis و rf. نتایج نشان داد که هر سه مدل عملکرد کلی نسبتا مطلوبی در شبیه‌سازی تغییرات رواناب داشتند که نشان می‌دهد استفاده از مدل‌های هوش مصنوعی برای تخمین رواناب سطحی ابزار مناسبی است.

daily runoff prediction using artificial intelligence models

the rainfall–runoff process is one of the most complex and important components of the hydrological cycle, serving as afoundation for water resources management, flood forecasting, and watershed planning. accurate estimation of runoff plays acritical role in optimizing the use of water resources, particularly in regions where hydrometric data are limited. however, dueto the nonlinear and dynamic interactions between rainfall, temperature, soil moisture, and other climatic variables, physicallybased hydrological models often fail to adequately represent the real-world behavior of watersheds. in recent years, artificialintelligence (ai) and machine learning (ml) methods have emerged as powerful alternatives, offering flexible, data-drivenframeworks capable of learning complex nonlinear relationships without requiring explicit physical equations. among theseapproaches, the group method of data handling (gmdh), random forest (rf), and adaptive neuro-fuzzy inference system(anfis) models have shown great promise for hydrological applications. previous studies have demonstrated the effectivenessof these models, but their performance may vary depending on watershed characteristics and data conditions. therefore, thepresent study aimed to evaluate and compare the predictive performance of the gmdh, rf, and anfis models in simulatingdaily runoff in two iranian watersheds i.e., taleghan and telvar, representing different topographic and climatic settings, in orderto identify the most accurate and computationally efficient model for daily runoff forecasting.materials and methodsthe study was conducted in two iranian watersheds: taleghan in alborz province and telvar in kurdistan province. thetaleghan basin covers about 790 km², with elevations ranging from 1,707 to 4,370 m and a mean elevation of 2,734 m. thetelvar basin extends over roughly 2,490 km², with elevations between 1,280 and 2,880 m and an average elevation of 1,927m. daily meteorological and hydrological data were obtained from the regional water companies and the iran meteorologicalorganization for a continuous 13-year period. input variables included 24-hour rainfall, air temperature, relative humidity, meanwind speed, total snow precipitation, antecedent precipitation index (api), and antecedent discharge index (adi). the next-daydischarge was used as the target variable. preprocessing steps consisted of filling missing values, normalizing the dataset, and dividing it into 70% for training and 30% for testing. identical subsets were applied to all models to ensure consistent comparison.three prediction models were implemented in matlab. the gmdh model, based on the kolmogorov–gabor polynomial,automatically generated nonlinear polynomial relationships between inputs and output while iteratively selecting the optimalstructure. the anfis model combined neural-network learning with fuzzy logic using a sugeno-type inference system and ahybrid least-squares/backpropagation training algorithm. the rf model employed an ensemble of decision trees, each trained onbootstrap samples and random subsets of predictors, with final predictions obtained by averaging all trees. model performancewas evaluated using the coefficient of determination (r²), nash–sutcliffe efficiency (nse), and root mean square error (rmse).