Journal of Watershed Management Research

fa بررسی کارایی روش‌های مختلف هوش مصنوعی و روش آماری در برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد) Evaluation of the Efficiency of Different Artificial Intelligence and Statistical Methods in Estimating the Amount of Runoff (Case Study: Shahid Noori Watershed of Kakhk, Gonabad) تخصصي Special پژوهشي Research سال‌هاست که از مدل‌های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می‌شود. اما علی‌رغم وجود مدل‌های فراوان، ظهور مرتب مدل‌های جدید نشان‌دهنده آن است که هنوز مدلی که بتواند بدون هیچ‌گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل‌ها، پس از انجام مدل‌سازی‌ها، ضرورت می‌یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل‌سازی و برآورد میزان رواناب با استفاده از روش‌های مختلف هوش مصنوعی و نیز روش‌های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش‌های اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از دادههای 9 واقعه بارندگی در بازه زمانی 2015-2011 حوزه کاخک گناباد تهیه شد. مدل‌های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش‌خور نرمال، پیش‌خور Cascade، پس‌خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم‌افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام‌به‌گام به‌عنوان روش آماری، در محیط نرم‌افزار مینیتب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش‌های آماری و هوش مصنوعی در نظر گرفته‌شده به‌طور نسبتاً مشابهی دارای کارایی قابل‌قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این ‌بین، مدل‌های عصبی پیش‌خور نرمال و پیش‌خور Cascade با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل‌ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل‌ها، به ترتیب مقادیر مشابه؛ 88/0، 76/0، 2 و 5/1 بدست آمد. درمجموع یافته‌ها حاکی از برآورد بهتر مدل‌های هوش مصنوعی نسبت به روش آماری رگرسیونی است. Rainfall-runoff models are used in the field of hydrology and runoff estimation for many years, but despite existing numerous models, the regular release of new models shows that there is still not a model that can provide sophisticated estimations with high accuracy and performance. In order to achieve the best results, modeling and identification of factors affecting the output of the model is necessary. In this regard, in present study, it has been tried to identify the factors and estimating the amount of runoff using a variety of methods of artificial intelligence and multiple regression. Then, to evaluate the efficiency of the implemented models and choose the best model, some performance criteria including the correlation coefficient (R), Nash-Sutcliffe coefficient (NSE), the root mean square error (RMSE) and the mean absolute error (MAE) were used . The data used in this study were 9 rainfall events data measured in time period of 2011- 2015 taken from the Khakh watershed of Gonabad. Artificial intelligence models used in this study were: normal feedforward neural networks, feedforward Cascade neural networks, feedbackward Elman neural networks, Adaptive Neuro Fuzzy Inference System (ANFIS) and regression decision tree model (Regerssion Tree) that were implemented in MATLAB software environment and also step multiple regression as statistical methods which was implemented in Minitab software. The results of this study showed that the used statistical and artificial intelligence methods are considered acceptable with almost similar performance and with relatively appropriate accuracy and low error they are able to estimate the amount of runoff. In the meantime, Cascade and normal feedforward neural models with 5 input parameters, presented better performance comparing to the other models, as the performance criteria of R, RMSE, NSE and MAE in these models were the similar values of 0.88 , 0.76, 2 and 1.5, respectively. Overall, the findings indicate better estimations of the artificial intelligence models comparing to the regression model. مدل‌سازی , شبکه‌های عصبی, درخت تصمیم, ANFIS, پس انتشار, پیش‌خور, پس‌خور Modeling, Neural Networks, Decision trees, ANFIS, Backpropagation, Feedforward, Feedbackward 11 21 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-199&slc_lang=fa&sid=1 Mohammad mehdi Zarei محمدمهدی زرعی 10031947532846005805 10031947532846005805 No Mohammad taghi Dastorani محمدتقی دستورانی 10031947532846005806 10031947532846005806 Yes Mansour Mesdaghi منصور مصداقی 10031947532846005807 10031947532846005807 No Masoud Eshghizadeh مسعود عشقی زاده 10031947532846005808 10031947532846005808 No