فهرست نشریات علمی دسترسی آزاد ایران

اگرچه اخیراً مدل‌سازی بارش-رواناب چالش بزرگی به حساب نمی‌آید، اما این مورد همچنان در حوضه و یا زیرحوضه‌های فاقد آمار یکی از مسایل چالش برانگیز برای محققان این حوزه است. یکی از روش‌های نوین در این زمینه استفاده از تکنیک‌های سنجش از دور و استفاده از یادگیری ماشین (هوش مصنوعی)  بوده ‌است. در این تحقیق برای محاسبه رواناب در حوضه‌های فاقد آمار، از دو حوضه شامل حوضه ایستگاه هیدرومتری سامیان و حوضه ایستگاه هیدرومتری عموقین در دشت اردبیل استفاده شد. ایستگاه اول به عنوان خروجی حوضه دشت اردبیل و برای آموزش و واسنجی مدل و از ایستگاه دوم به عنوان حوضه فاقد آمار برای صحت‌سنجی و آزمون، انتخاب شدند. مدل‌سازی با استفاده از 9 پارامتر ورودی شامل فشار‌هوا، شاخص پوشش گیاهی (پوشش کم و زیاد)، دمای خاک، دمای سطح زمین، حجم آب خاک، رواناب، پتانسیل تبخیر و بارش انجام شد. همچنین، از یک پارامتر مربوط به آمار مشاهداتی ایستگاه‌ها، به عنوان خروجی استفاده شد. مدل‌سازی با استفاده از چهار مدل شامل NARX، ANN-ACO، ANN-GA، ANN-PSO انجام و برای ارزیابی دقت مدل‌ها از آماره‌های MSE، R2، RMSE، NSE و MAE استفاده شد. نتایج نشان دادند که مدل NARX به ترتیب و با دقت 0/001، 0/86، 0/039، 0/855 و 0/015 به وضوح نسبت به سایر مدل‌ها از برتری بسیار خوبی برخودار است. باتوجه به امکان دستیابی به نتایجی با دقت بالا و باتوجه به وجود حوضه‌های کم‌آمار و فاقد‌آمار در سرتاسر جهان، استفاده از روش‌های سنجش از دور در ترکیب با هوش مصنوعی می‌تواند بخشی از چالش‌های هیدرولوژیست‌ها را پاسخ دهد.