برآورد ضریب رواناب رگبار با استفاده از هوش مصنوعی (مطالعۀ موردی: حوضۀ آبخیز کسیلیان)

در تحقیق پیش رو تخمین ضریب رواناب با توجه به تاثیر پوشش گیاهی انجام ‏شده است. ابتدا مدل‏سازی ضریب رواناب با استفاده از داده‏های سیلاب و رگبار ساعتی طی دورۀ آماری 1366 1388 انجام شده و ضرایب رواناب حوضۀ آبخیز کسیلیان تهیه شد. در مرحلۀ بعد، با استفاده از مدل‏های شبکۀ عصبی مصنوعی (ann)، شبکۀ عصبی‌ فازی تطبیقی (anfis) و رگرسیون بردار پشتیبان (svr) و عوامل موثر شامل شدت بارش، مقدار شاخص ، بارش 5 روز قبل و شاخص نرمال‌شدۀ اختلاف پوشش گیاهی (ndvi) ضریب رواناب در مقیاس رگبار برآورد شد. سپس، صحت و اهمیت هر یک از عوامل موثر بر ضریب رواناب حوضۀ آبخیز کسیلیان ارزیابی شد. نتایج نشان داد از بین سه مدل ann، anfis و svr، مدل ann با مجذور میانگین مربعات خطا، ضریب تبیین، میانگین خطای اریبی و ضریب نش‌ ساتکلیف به‌ترتیب 0.08، 0.85، 0.84 و 0.01 در مرحلۀ آموزش و 0.12، 0.76، 0.74 و 0.03 در مرحلۀ آزمایش به عنوان مدل کارا در ارتباط با پیش‏بینی ضریب رواناب است. در مجموع، پیشنهاد می‏شود با توجه به اینکه ضریب رواناب کارکرد زیادی در فرایندهای هیدرولوژیک و بروز سیل دارد، بنابراین تخمین بهینۀ آن می‏تواند به مدیریت بهتر حفاظت آب و خاک و مدیریت فرسایش و رسوب حوضۀ آبخیز کمک کند.

Estimation of event based runoff coefficient using artificial intelligence models (Case study: Kasilian watershed)

In this research, estimation of the Runoff Coefficient (RC) is carried out depending on land cover. Initially, RC modeling was performed using 54 hourly rainfall and corresponding runoff data during the period 1987–2010 in the Kasilian watershed. Artificial Neural Network (ANN), Adaptive NeuroFuzzy Inference System (ANFIS) and Support Vector Regression (SVR) models and effective factors including rainfall intensity, Φ index (the average loss), fiveday previous rainfall and Normalized Difference Vegetation Index (NDVI) were used to estimate RC. The results showed that the ANN model was more efficient than the other two models and had Mean Bias Error (MBE), Coefficient of Determination (R2), Nash–Sutcliffe Efficiency (NSE) and Normalized Root Mean Square Error (NRMSE) equal to 0.08, 0.85, 0.84 and 0.37, respectively for the training phase and 0.12, 0.76, 0.74 and 0.47 for the test phase. In general, it is suggested that RC plays a major role in hydrological mechanisms and flooding. Thus, optimal estimation of RC can be helpful in better management of soil and water conservation and erosion and sediment management in this area.