شبیه‌سازی فرآیند بارش-رواناب در حوضه آبریز اهرچای با استفاده از روش‌های داده ‌کاوی

شبیه‌سازی فرآیند بارش-رواناب گامی موثر در مدیریت منابع آب، آبخیزداری، بحران کمبود آب و کنترل سیلاب می باشد. پیچیدگی ذاتی فرآیند بارش-رواناب، تغییرات زمانی–مکانی و عوامل موثر بر آن، شبیه‌سازی با مدل‌های فیزیکی و یا هیدرولوژیکی را مشکل می‌نماید. لذا در سال‌های اخیر روش‌های فراکاوشی همچون ماشین بردار پشتیبان، برنامه‌ریزی بیان ژن و شبکه‌های عصبی مصنوعی کاربرد گسترده‌ای در مطالعات هیدرولوژی و به طور کلی پدیده‌هایی که رابطه مشخصی برای آن‌ها وجود ندارد، پیدا کرده است. حوضه آبریز اهرچای واقع در شمال غرب کشور، بدلیل تامین آب شرب، کشاورزی و صنعت نقش بسزائی در توسعه منطقه دارد. در این مقاله به ارزیابی مدل‌های ماشین بردار پشتیبان، برنامه‌ریزی بیان ژن و شبکه‌های عصبی مصنوعی در شبیه‌سازی فرآیند بارش-رواناب حوضه آبریز اهرچای در محل ایستگاه‌های هیدرومتری تازه‌کند، رواسجان، اشدلق، برمیس، اورنگ و کاسین پرداخته شده است. به منظور تعیین ترکیب ورودی‌ مدل‌‌ها، پس از تهیه لیستی از متغیرهای مستقل مرتبط با رواناب هر ایستگاه، به انتخاب ورودی‌های مناسب با استفاده از دو معیار همبستگی خطی پیرسون و اطلاعات متقابل جزئی پرداخته شده و ترکیب‌های ورودی بدست آمده با استفاده از هر معیار، در شبیه‌سازی بارش-رواناب حوضه آبریز اهرچای در محل ایستگاه‌های هیدرومتری مورد بررسی قرار گرفته است. نتایج حاکی از دقت مناسب مدل‌های ماشین بردار پشتیبان و برنامه ریزی بیان ژن، و برتری نسبی مدل شبکه عصبی مصنوعی می‌باشد. در تعیین متغیرهای ورودی نیز معیار همبستگی خطی پیرسون، باعث افزایش دقت مدل شبیه سازی و بهبود نتایج گردیده است.

simulation of the rainfall-runoff process in the drainage basin of aharchay using data mining techniques

the simulation of the rainfall-runoff process is a crucial step in water resources management, watershed management, water scarcity crisis, and flood control. the intrinsic complexity of the rainfall-runoff process, spatiotemporal variability, and the factors affecting it make the simulation with physical or hydrological models difficult. therefore, metaheuristic approaches, such as support vector machines, gene expression programming, and artificial neural networks, have been widely used in hydrological studies, and generally, in the phenomena without definite relationships. due to the provision of drinking, agricultural, and industrial water, the drainage basin of aharchay, located in the northwest of iran, has an influential role in the development of the region. this paper has evaluated the models of support vector machine, gene expression programming, and artificial neural networks for the simulation of the rainfall-runoff process in the drainage basin of aharchay at the hydrometric stations of tazeh kand, ravasjan, oushdilaq, barmis, owrang, and kasin. in order to determine the input combination of the models, a list of independent variables associated with the runoff of each station was prepared. then the appropriate inputs were chosen using the two criteria of the pearson correlation coefficient and partial mutual information. the input combinations obtained from each criterion were evaluated in the simulation of the rainfall-runoff of the aharchay drainage basin in the hydrometer stations. the results indicated the reasonable accuracy of the models of support vector machine and gene expression programming, and the relative superiority of the artificial neural network. moreover, in determining the input variables, the pearson correlation coefficient provided the best results or was close to them.