ارزیابی دقت مدل های هم زمان سری زمانی و شبکه عصبی در مدل سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای)

سابقه و هدف: مدل سازی بارش-رواناب یک فرآیند ضروری و پیچیده می باشد که در بهره برداری مناسب از مخازن و مدیریت و برنامه ریزی صحیح منابع آب نقش عمده ای دارد. مدل سازی این فرآیند با استفاده از روش های مختلفی امکانپذیر است. ازنظر تئوری، در مدل سازی یک سیستم می بایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم قطعیت های ذاتی آن ها، استخراج چنین مدلی بسیار مشکل می باشد. برای مدل سازی بارش-رواناب تا کنون کارایی مدل هایی نظیر شبکه عصبی، مدل-های چند متغیره خود همبسته با میانگین متحرک مورد بررسی قرار گرفته است لذا در این تحقیق میزان دقت مدل-های CARMA و ANN در مدل سازی بارش-رواناب مورد بررسی قرار گرفته است. مواد و روش ها: در این مطالعه، مدل های چند متغیره خود همبسته با میانگین متحرک هم زمان (CARMA) و شبکه عصبی مصنوعی جهت مدل سازی بارش-رواناب مورد ارزیابی قرار گرفتند. برای مدل ANN سه سناریو در نظر گرفته شد. جهت استفاده از مدل های فوق، از سری زمانی مجموع بارش و رواناب ماهانه در دوره آماری (1394-1353) مربوط به حوضه آبریز نازلو چای واقع در ´49 °44 طول جغرافیایی و ´40 °37 عرض جغرافیایی واقع در استان آذربایجان غربی استفاده شد. در ابتدا، داده ها ازنظر تصادفی بودن، روند و همگنی، به ترتیب با استفاده از آزمون های ران-تست، من-کندال و ویلکاکسون مورد بررسی قرار گرفتند و پس از آن داده ها به دو گروه تقسیم شدند. 80 درصد داده ها به آموزش مدل و 20 درصد از داده ها به آزمون مدل اختصاص داده شد. معیارهای عملکرد به کار برده شده نیز معیارهای ریشه میانگین مربعات خطا، نش-ساتکلیف و ضریب همبستگی بوده است. یافته ها: نتایج نشان داد که مدل CARMA دقت به مراتب مناسب تری نسبت به مدل ANN داشته است به طوری که معیار ریشه میانگین مربعات خطا در مدل CARMA برابر با 7/7 و در مدل ANN برابر با 50/9 متر مکعب بر ثانیه بود. همچنین معیارهای نش-ساتکلیف و R2 در مدل CARMA به ترتیب برابر با 41/0 و 54/0 در حالی که مقادیر این معیارها در مدل ANN برابر با 45/0 و 80/0 بوده است. لذا مدل CARMA برای مدل سازی بارش-رواناب از دقت بیشتری نسبت به مدل ANN برخوردار بوده است. نتیجه گیری: بر اساس نتایج حاصل از این تحقیق، استفاده از مدل های چند متغیره خانواده ARMA سبب کاهش میزان خطای مدل به میزان 18 درصد نسبت به مدل ANN شده است لذا مدل CARMA نسبت به مدل ANN از عملکرد مناسب تری برخوردار بوده است و این موضوع اهمیت در نظر گرفتن جزء تصادفی در مدل سازی را نشان می دهد.

Keywords:

سری زمانی , شبکه عصبی , مدل بارش-رواناب , مدل های چند متغیره