مقايسه دقت پيش‌بيني و برآورد رواناب با استفاده از مدل‌هاي SWAT و هوش مصنوعي در رودخانه ميناب

Comparing the accuracy of runoff prediction and estimation using SWAT and artificial intelligence models in Minab River

در مناطق خشك همانند سطح عظيمي از ايران، انسان همواره با كمبود آب مواجه بوده و هست. جمع‌آوري آب به‌ويژه در بهره‌برداري صحيح از آب‌هاي موجود در مناطق خشك، مي‌تواند موثر باشد. تنوع اقليم در ايران با وجود ميانگين بارندگي كمتر از يك سوم جهاني، بالا است، حتي در مناطق جنوبي كشور و در مقياس كوچك، از جمله ميناب و محل سد احداثي استقلال هم، كه بارندگي به يك سوم ميانگين كشوري مي‌رسد،‌ اين تنوع اقليمي به خوبي مشاهده مي‌شود. در شرايط كنوني، روند بارندگي‌ها در ميناب نيز تغيير كرده، طول دوره خشكسالي‌ها افزايش يافته است. سامانه‌هاي بهره‌برداري استاندارد طراحي شده قبلي براي برآورد آب ورودي به مخازن سدها همانند سد استقلال ميناب، پاسخگوي مصارف نيست. لذا، استفاده از روش‌هاي جديد در افزايش دقت و همچنين، پيش‌بيني رواناب حوضه رودخانه ميناب امري كاملا ضروري به نظر مي‌رسد. براي رسيدن به اين هدف، استفاده از مدل‌هاي فيزيكي و عددي در برآورد و پيش‌بيني دقيق‌تر از اهميت خاصي برخوردار است. در اين تحقيق، از دو مدل SWAT و هوش مصنوعي FTDNN براي برآورد و پيش‌بيني رواناب استفاده شده است. واسنجي، اعتبارسنجي و پيش‌بيني رواناب با استفاده از لايه‌هاي خاك، كاربري اراضي، توپوگرافي و داده‌هاي هيدروكليماتولوژي در مقياس سالانه و ماهانه انجام شد. مقادير معيارهاي ارزيابي همچون ميانگين مربعات خطا (RMSE)، ميانگين خطاي مطلق (MAE) براي دو مدل در مرحله واسنجي در دوره سالانه براي مدل SWATبه‌ترتيب برابر با 6.89 و 8.37 و در FTDNN برابر با 5.35 و 7.76 برآورد شدند. ضريب خطي رگرسيون R2 در مرحله واسنجي در مقياس ماهانه به‌ترتيب معادل 0.96 و 0.89 براي SWAT و اين شاخص در مقياس سالانه معادل 0.89 و 0.49 براي FTDNN است. ضريب خطي رگرسيون در مرحله اعتبارسنجي دو روش مذكور به‌ترتيب در مقياس ماهانه 0.98 و 0.6 و در مقياس سالانه 0.94 و 0.97 در دو مدل را نشان مي‌دهد. نتايج حاصل از مقايسه معيارهاي ارزيابي دو مدل حاكي از آن است كه مدل هوش مصنوعي FTDNN از دقت و كارايي بيشتري نسب به مدل SWAT برخوردار است.

In arid regions,like most of the Iran, human is suffering fromwater shortage. Water harvesting can be effective, especially in correct exploitation of existing waters in arid regions. With an average rainfall of less than one-third of the world, there are different climates in Iran, even in southern parts like Minab and the areas around Estaghlal Dam. In current situations, rainfall pattern has been changed and the length of drought periods has been increased in Minab. Last designed standard operating systems for estimating the amount of water entering to reservoirs like Esteghlal Dam are not sufficient. So, it is necessary to use new methods with higher accuracy in estimating and predicting watershed surface runoff. To achieve this objective, the use of numerical models for estimating and predicting is inevitable. In this research, SWAT and artificial intelligence models are used to estimate and forecast surface runoff. Calibration, validation and prediction of surface runoff were computed using soil, land use, topography and hydro-climatic data layers in the yearly and monthly basis. The annual values of evaluation criteria such as Mean Square Error (RMSE) and mean absolute error (MSE) in the calibration of the SWAT model were 6.89, 8.37 and for FTDNN were 5.35, 7.76, respectively, while, the monthly calibration results were 16.29, 32.02 for the SWAT and 9.46, 22.86 for FTDNN models. Linear regression coefficients in monthly calibration of models were 0.96 and 0.60 and in annual calibration of models were 0.94 and 0.98, respectively. Comparing criteria of evaluation of two models concluded that artificial intelligent model (FTDNN) has more accuracy and superior performance compared to SWAT model.