بررسي كارايي مدل AWBM با استفاده از الگوريتم ژنتيك و الگوريتم تكامل رقابتي جوامع در شبيه‌سازي فرآيند بارش- رواناب (مطالعه موردي: زير حوضه آبخيز قره‌سو)

Evaluation of the efficiency of AWBM model using genetic algorithm and shuffled complex evolution algorithm in simulation of rainfall-runoff process (Case study: Qarasu basin)

با توجه به اهميت مهار آب­ هاي سطحي به ويژه در ايران كه مسئله كمبود آب در پهنه وسيعي از كشور وجود دارد؛ نياز به شناسايي و مدل­كردن واكنش حوضه به بارش به منظور برنامه­ ريزي بلند­مدت از پتانسيل ­هاي حوضه به شدت احساس مي ­شود. در اين مطالعه براي شبيه ­سازي فرآيند بارش- رواناب از مدل AWBM تحت روش بهينه­ سازي الگوريتم ژنتيك و الگوريتم تكامل رقابتي جوامع در زير حوضه قره ­سو واقع در شمال ­غربي حوضه كرخه استفاده شده است. بدين منظور از داده ­هاي بارندگي، تبخير و تعرق پتانسيل و رواناب ايستگاه هيدرومتري قره ­سو بهره گرفته شد. براي مقايسه نتايج، آماره­ هاي ريشه متوسط خطـاي مربعـات (RMSE)، ضريب همبستگي (R2) و ضريب كارايي ناش (NSE) مورد تحليل قرار گرفتند. نتايج نشان داد كه هر دو روش بهينه ­سازي در اين حوضه داراي معيارهاي ارزيابي قابل قبولي مي ­باشند؛ اما روش الگوريتم ژنتيك با ضريب تبيين 0/7 ، ضريب ناش- ساتكليف 0/67 و ميزان خطاي 8/75در مرحله صحت­ سنجي جواب بهتري را حاصل نمود. همچنين مشاهده شد كه اين الگوريتم در شبيه ­سازي مقادير كمينه بهتر از مقادير بيشينه عمل مي­ كند.

In arid region in Iran with the shortage of water in a large part of the country, given the importance of controlling surface water, it is needed to identify and model the basin response to rainfall for long-term planning of the potential of the basin. In this study, the AWBN is employed to model rainfall-runoff process, using genetic and shuffled complex evolution algorithms as optimization approaches in Qarasu basin located in the northwest of Karkheh basin. For this purpose, rainfall, potential evapotranspiration and runoff data were used. To compare the results, the statistics of root mean square error, correlation coefficient and Nash–Sutcliffe efficiency were assessed. The results showed that both optimization methods in this basin have acceptable evaluation criteria, but the genetic algorithm method with correlation coefficient 0.7, Nash-Sutcliffe efficiency 0.67 and an root mean square error 8.75 in the validation period give a better solution. It was also observed that this algorithm performs better in simulating low flows than high flows.