مقايسۀ عملكرد مدل‌ هاي هوش مصنوعي با مدل IHACRES در مدل ‌سازي جريان حوضۀ آبريز رودخانۀ گاماسياب

امروزه رويكردهاي جديد مدل‌ سازي جريان به‌ دليل تغييرات اقليمي و نوسانات شدت و مدت بارش در اكثر مناطق جهان، براي مديريت منابع آب و كاهش خطرات ناشي از بروز سيلاب نقش فوق ‌العاده‌اي دارند. در اين پژوهش، به مدل‌ سازي جريان براي حوضۀ آبريز رودخانه گاماسياب، واقع در غرب ايران، پرداخته ‌شده است. براي اين منظور از مدل‌هاي هوش مصنوعي (AI) شامل، مدل‌هاي شبكۀ عصبي مصنوعي (ANN) از نوع پرسپترون چندلايه (MLP)، شبكۀ عصبي تابع پايه شعاعي (RBF) و مدل حافظه طولاني كوتاه مدت (LSTM) استفاده‌ شده است. علاوه بر اين براي ارزيابي بهتر مدل‌هاي AI از يك مدل تخصصي نيمه مفهومي بارشرواناب نيز با عنوان IHACRES بهره گرفته شد. داده‌هاي مورد استفاده شامل، داده‌هاي دبي جريان، بارش و متوسط دماي روزانه براي يك دورة زماني 31 سال (1 مهر 1365 -31 شهريور 1396) كه به‌ صورت سري زماني داده‌هاي با تأخير و به‌ عنوان سيگنال ورودي به مدل‌ها استفاده‌ شده است. جهت ارزيابي عملكرد مدل‌ها از معيار ضريب كارايي نش ساتكليف (NSE)، مجذور ميانگين مربعات خطا (RMSE) و ضريب همبستگي (R) استفاده شد. نتايج به‌ دست‌ آمده براساس معيار NSE براي مدل‌هايLSTM ، RBF، ANN و IHACRES در دورة صحت ‌سنجي به ‌ترتيب برابر مقادير 0/930، 0/907، 0/903 و 0/512 است. بنابراين، مدل LSTM عملكرد بهتري در دورة صحت‌سنجي نسبت به ساير مدل‌ها در تخمين دبي جريان ارائه كرد. در ضمن، نتايج به‌دست آمده هر چهار مدل به‌ كار گرفته شده رضايت‌بخش است. نتايج حاكي از عملكرد بهتر مدل‌هاي ANN، RBF و LSTM به ‌ويژه در نقاط اوج جريان نسبت به IHACRES در مدل‌ سازي جريان براي منطقۀ مورد مطالعه است. در كل، نتايج نشان داد كه مدل‌هاي AI، ابزار مفيد براي مدل ‌سازي نوسانات جريان هستند و توصيه مي‌شود در مطالعات آتي، اين ابزار بيش‌ تر مورد استفاده قرار گيرد.