مقایسۀ عملکرد مدل‌ های هوش مصنوعی با مدل ihacres در مدل ‌سازی جریان حوضۀ آبریز رودخانۀ گاماسیاب

امروزه رویکردهای جدید مدل‌ سازی جریان به‌ دلیل تغییرات اقلیمی و نوسانات شدت و مدت بارش در اکثر مناطق جهان، برای مدیریت منابع آب و کاهش خطرات ناشی از بروز سیلاب نقش فوق ‌العاده‌ای دارند. در این پژوهش، به مدل‌ سازی جریان برای حوضۀ آبریز رودخانه گاماسیاب، واقع در غرب ایران، پرداخته ‌شده است. برای این منظور از مدل‌های هوش مصنوعی (ai) شامل، مدل‌های شبکۀ عصبی مصنوعی (ann) از نوع پرسپترون چندلایه (mlp)، شبکۀ عصبی تابع پایه شعاعی (rbf) و مدل حافظه طولانی کوتاه مدت (lstm) استفاده‌ شده است. علاوه بر این برای ارزیابی بهتر مدل‌های ai از یک مدل تخصصی نیمه مفهومی بارشرواناب نیز با عنوان ihacres بهره گرفته شد. داده‌های مورد استفاده شامل، داده‌های دبی جریان، بارش و متوسط دمای روزانه برای یک دورة زمانی 31 سال (1 مهر 1365 -31 شهریور 1396) که به‌ صورت سری زمانی داده‌های با تاخیر و به‌ عنوان سیگنال ورودی به مدل‌ها استفاده‌ شده است. جهت ارزیابی عملکرد مدل‌ها از معیار ضریب کارایی نش ساتکلیف (nse)، مجذور میانگین مربعات خطا (rmse) و ضریب همبستگی (r) استفاده شد. نتایج به‌ دست‌ آمده براساس معیار nse برای مدل‌هایlstm ، rbf، ann و ihacres در دورة صحت ‌سنجی به ‌ترتیب برابر مقادیر 0/930، 0/907، 0/903 و 0/512 است. بنابراین، مدل lstm عملکرد بهتری در دورة صحت‌سنجی نسبت به سایر مدل‌ها در تخمین دبی جریان ارائه کرد. در ضمن، نتایج به‌دست آمده هر چهار مدل به‌ کار گرفته شده رضایت‌بخش است. نتایج حاکی از عملکرد بهتر مدل‌های ann، rbf و lstm به ‌ویژه در نقاط اوج جریان نسبت به ihacres در مدل‌ سازی جریان برای منطقۀ مورد مطالعه است. در کل، نتایج نشان داد که مدل‌های ai، ابزار مفید برای مدل ‌سازی نوسانات جریان هستند و توصیه می‌شود در مطالعات آتی، این ابزار بیش‌ تر مورد استفاده قرار گیرد.

Performance comparison of Artificial Intelligence models with IHACRES model in streamflow modeling of the Gamasiab River catchment

Introduction Today due to climate change and fluctuations in the intensity and duration of rainfall in most parts of the world, new approaches to streamflow modeling have an extraordinary role in managing water resources and reducing the risks of floods. Since in some catchments, it is not feasible to measure all the observed quantities required for modeling the streamflow process, it is necessary to choose a simple model that can accurately predict rainfallrunoff using minimal information. Artificial intelligence (AI) models have high efficiency, especially when the accurate estimation of processes is more important than understanding the mechanisms and relationships that create them. Therefore, the AI models and semiconceptual IHACRES models are used for streamflow modeling and compared with each other. In this study, streamflow modeling for the Gamasiab River, located in western Iran, is presented.Materials and Methods For rainfallrunoff modeling, artificial intelligence (AI) models include artificial neural network (ANN) models of type multilayer perceptron (MLP), radial basis function neural network (RBF), and long shortterm memory model (LSTM) are used. In addition, to better evaluate the AI models, a specialized semiconceptual rainfallrunoff model called IHACRES is used. The data used in this study include daily data of flow discharge, precipitation, and average temperature for 31 years (September 23, 1986 September 22, 2017), which is a time series of delayed data and as an input signal used to models. To evaluate the performance of the models, some criteria including NashSutcliffe efficiency coefficient (NSE), root mean square error (RMSE), and correlation coefficient (R) were used.Results and Discussion The results show better performance of ANN, RBF, and LSTM models than the IHACRES model, especially at the peak flow rate, in modeling daily streamflow for the study area. The IHACRES model has performed well in calm and medium flows but has not performed well at flow peaks. In addition, the LSTM model performed better than the other models in estimating the flow rate during the verification period, while the ANN and RBF models performed better than the other models in the calibration phase. Overall, the results indicate that the best databased model (i.e., LSTM model) has more than twice as good performance in streamflow modeling as the semiconceptual IHACRES model based on RMSE criteria. In general, the results showed that artificial intelligence models are valuable tools for modeling streamflow fluctuations.Conclusion The AI models including, ANN, RBF, and LSTM models, especially in estimating flow peaks, were significantly better than the IHACRES model. The IHACRES model has performed well in calm river streamflow and low and medium discharge but has not performed well at flow peaks. In general, is recommended the LSTM model for modeling the daily streamflow of the study area due to better performance. AI models can model the streamflow more accurately and provide more efficient management of water resources in different regions. In general, the results showed that various AI models are a suitable tool in streamflow modeling, and it suggested that they be more utilized in future research.