ارزيابي روش‌هاي هيدرولوژيكي و داده‌كاوي در شبيه‌سازي و پيش‌بيني دبي جريان ماهانه (مطالعه موردي: ايستگاه هيدرومتري ارازكوسه)

Evaluation of hydrological and data mining models in monthly river discharge simulation and prediction (Case study: Araz-Kouseh watershed)

سابقه و هدف: پيش‌بيني كمي جريان در رودخانه‌ها يكي از مهم ترين اركان در مديريت منابع آب هاي سطحي به‌ويژه اتخاذ تدابير مناسب در مواقع سيلاب و بروز خشكسالي ها مي باشد. براي پيش‌بيني ميزان جريان رودخانه‌ها رويكردهاي متنوعي در هيدرولوژي معرفي شده است كه مدل‌هاي مفهومي و نيز مدل هاي داده محور از مهم‌ترين آن‌ها مي‌باشند. در اين مطالعه براي بررسي دقت مدل هاي پيش بيني جريان رودخانه از داده هاي بلند‌مدت ثبت شده در حوضه آبريز ارازكوسه با مساحت 1678 كيلومترمربع واقع شده در شمال ايران (استان گلستان) استفاده شده است. مدل IHACRES به‌عنوان مدل مفهومي هيدرولوژيكي و مدل‌هاي M5 و KNN به‌‌عنوان مدل هاي داده كاوي براي مدل‌سازي جريان ماهانه رودخانه انتخاب شدند و نتايج براي بررسي صحت مدل هاي مورد مطالعه با يكديگر مقايسه شدند. در مطالعات معدودي هر يك از مدل هاي بيان شده در پيش بيني دبي جريان روزانه مورد بررسي قرار گرفته است اما هدف اين مطالعه بررسي هم‌زمان اين مدل‌ها در يك حوضه براي پيش‌بيني جريان ماهانه رودخانه مي‌باشد. مواد و روش‌ها: داده هاي روزانه 29 ساله (2013-1985) بارش و دبي ايستگاه هاي هيدرومتري و هواشناسي ارازكوسه براي استخراج سري هاي ماهانه مورد نياز براي مدل سازي استفاده شد. كميت و كيفيت داده هاي مورد نياز براي مدل‌سازي با استفاده از آزمون هاي مختلف آماري بررسي و تاييد شد. داده‌هاي ثبت شده به دو جز سري تقسيم‌بندي شد كه جز سري اول براي واسنجي مدل ها به‌كار گرفته شد و از جز سري دوم براي ارزيابي صحت‌سنجي مدل‌ها استفاده گرديد. با در نظر گرفتن نتايج هر يك از مدل ها در دوره هاي صحت‌سنجي و واسنجي بر اساس معيارهاي نكويي برازش كارايي مدل‌ها بررسي و تحليل شد. يافته‌ها: نتايج مدل هيدرولوژيكي مفهومي IHACRES در هر دو مرحله صحت‌سنجي و واسنجي (ضريب همبستگي برابر با 81/0 و 79/0 به‌ترتيب براي دوره واسنجي و صحت‌سنجي) نشان مي‌دهد كه اين مدل داراي توانايي مناسب براي شبيه‌سازي جريان ماهانه رودخانه مي باشد. همچنين بررسي نتايج دو مدل داده‌كاوي M5 و KNN (ضريب همبستگي برابر با 94/0 و 89/0 به‌ترتيب براي دوره واسنجي و صحت‌سنجي براي مدل KNN و ضريب همبستگي برابر با 92/0 و 88/0 به‌ترتيب براي دوره واسنجي و صحت‌سنجي براي مدل M5) نشان مي‌دهد كه استفاده از اين مدل‌ها منجر به افزايش قابل‌ملاحظه‌اي در دقت نتايج پيش‌بيني جريان ماهانه رودخانه نسبت به استفاده از مدل هيدرولوژيكي مفهومي IHACRES شده است. نتيجه‌گيري: كاربرد مدل هاي داده كاوي يعني M5 و KNN منجر به بهبود نتايج نسبت به كاربرد مدل هيدرولوژيكي مفهومي IHACRES شده است. اين موضوع مشخص است كه دقت نتايج مدل هاي داده كاوي بسيار به يكديگر نزديك است اما به‌دليل آن‌كه مدل M5 معادلات صريح براي پيش‌بيني ارايه مي‌كند به‌عنوان مدل منتخب در اين پژوهش انتخاب مي‌شود. همچنين بررسي سري زماني نتايج نشان مي‌‌دهد كه دقت مدل‌هاي داده‌كاوي در تخمين جريان‌هاي كم بهتر از تخمين جريان‌هاي زياد مي‌باشد.

Background and Objectives: Quantitative prediction of river discharge is one of the most important elements in the management of surface water resources, especially to take suitable decisions in occurrence of floods and drought events. Various approaches introduced in hydrology to predict river discharge among them conceptual models as well as data-driven models are the most important ones. In this study, long term recorded data sets in Araz-Kouseh watershed with 1678 km2 area located in northern Iran (Golestan province) were used to investigate the precision of different river discharge prediction models. The IHACRES model as a conceptual hydrological model and KNN and M5 as data mining models were selected for modeling of monthly river discharge and the results were compared to examine the accuracy of studied models. In some studies, the expressed models were used for daily river discharge prediction but the main objectives of this study are application of these models to predict monthly discharge for a watershed. Materials and Methods: The 29 years (1985-2013) daily rainfall and discharge data belonging to Araz-Kouseh hydrometry and meteorological stations were used to extract monthly time series for modeling. The required quantity and quality conditions of datasets for modeling were confirmed using different statistical tests. Recorded datasets were divided in two subseries, first one was used for calibration period and second one used for validation of investigated models. The results of models in calibration and validation period were analyzed considering model efficiency goodness of fit criteria. Results: The results of IHACRES conceptual hydrological model for both calibration and validation periods (correlation coefficients equal to 0.81 and 0.79 for calibration and validation periods respectively) showed suitable ability of this model to predict monthly river discharge. Moreover investigation of results of both M5 and KNN data mining models (correlation coefficient equal to 0.94 and 0.89 for calibration and validation periods respectively for KNN model and equal to 0.92 and 0.88 for calibration and validation periods respectively for M5 model) reveals that application of these models led to significant increase in prediction precision in comparison with IHACRES model. Conclusions: The results of this study indicate the data mining models, i.e. M5 and KNN, outperform conceptual hydrological model, i.e. IHACRES, for prediction of monthly river discharge considering different goodness of fit criteria. It is clear that the accuracy of the prediction of data mining models are very close to each other but the M5 model is selected as best model in this study because of its explicit equations for prediction. Furthermore, investigation of time series of predicted river discharge show data mining models had better prediction for low discharges in comparison with high discharges.