فهرست نشریات علمی دسترسی آزاد ایران

مقدمه در سال‌ها و دهه‌های اخیر به‌دلیل تغییرات اقلیمی و مشکلات ایجاد شده در دسترسی به منابع آب کافی و با کیفیت، مسأله تأمین منابع آب پایدار مورد توجه محققان و پژوهشگران مختلف قرار گرفته است. کمبود منابع آب سالم و با کیفیت مانعی بزرگ در جهت توسعه پایدار محسوب می‌شود. به‌همین علت شناخت فرایندهای چرخه آب بسیار مهم بوده و نیازمند اطلاعات دقیق از پدیده‌های هیدرولوژیکی است. رواناب‌های حاصل از بارش یکی از منابع اصلی تأمین نیازهای آبی مختلف ازجمله کشاورزی، صنعت و مصارف خانگی هستند. تخصیص منابع آب به این بخش‌ها با استفاده از داده‌های مربوط به رواناب در زمان‌های مختلف، برنامه‌ریزی می‌شود. برآورد و پیش‌بینی دقیق رواناب، اصلی‌ترین مسأله در استحصال منابع آب‌های سطحی و استفاده بهینه از پتانسیل حوضه‌های مختلف آبخیز است. حوزه آبخیز دریاچه ارومیه، به‌عنوان یکی از مهم‌ترین حوضه‌های آبی ایران، در سال‌های اخیر رو به خشکی نهاده است. با توجه به این موضوع، اطلاع و آگاهی در زمینه منابع آبی این حوضه و زیرحوضه‌های آن و نیز شبیه‌سازی و پیش‌بینی منابع مختلف ورودی به آن ازجمله رواناب‌ها بسیار مهم است.   مواد و روش‌‌ها حوزه آبخیز آجی‌چای، یکی از زیرحوضه‌های دریاچه ارومیه است. این حوضه در ناحیه شمال‌غربی ایران و در استان آذربایجان شرقی قرار دارد. در این پژوهش از داده‌های بارش ایستگاه همدیدی تبریز و رواناب ایستگاه هیدرومتری نهند واقع در این حوضه از سال آبی 77-1376 تا 97-1396 استفاده شد. جهت مدل‌سازی بارش-رواناب از روش‌های شبکه عصبی مصنوعی (ANN)، برنامه‌نویسی بیان ژن (GEP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. 70 درصد از داده‌ها برای آموزش و 30 درصد از داده‌ها برای صحت‌سنجی مدل‌ها استفاده شد. برای ارزیابی عملکرد مدل‌ها از معیارهای آماری ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE)، ضریب نش-ساتکلیف (NSE) و شاخص ویلموت (WI) استفاده شد.   نتایج و بحث نتایج این پژوهش نشان داد که تمامی مدل‌های مورد بررسی در این پژوهش عملکرد بسیار خوبی در شبیه‌سازی بارش-رواناب روزانه در حوضه آجی‌چای دارند. بر اساس نمودارهای پراکنش و سری‌های زمانی، مدل GEP در مدل‌سازی مقادیر بارش-رواناب این حوضه با همبستگی بالا نسبت به سایر مدل‌ها بیشترین دقت را داشت. با توجه به نتایج و معیارهای آماری، مدل GEP با مقادیر R2، RMSE، NSE و WI به‌ترتیب برابر 0.84، 0.024، 0.864 و 0.968، دقیق‌ترین مدل در شبیه‌سازی فرایند بارش-رواناب روزانه حوضه آجی‌چای بود. مدل‌های مورد بررسی در شبیه‌سازی رواناب‌های بیشینه خطا داشته و این مقادیر را کمتر برآورد کرده‌اند. این نکته می‌تواند به‌دلیل خاصیت مدل‌های هوشمند باشد که به داده‌های آموزش حساسیت بسیار زیادی دارند. از عوامل مؤثر در عملکرد مدل‌ها در برآورد رواناب‌های بیشینه می‌توان تعیین نوع و ساختار مدل‌ها را نام ‌برد.   نتیجه‌‌گیری به‌طورکلی نتایج این پژوهش نشان ‌داد که مدل GEP نسبت به سایر مدل‌های مورد بررسی، در شبیه‌سازی بارش-رواناب دقت بیشتر و عملکرد بهتری دارد. نتایج این پژوهش نشان‌دهنده عملکرد مناسب مدل‌های یادگیری ماشین در شبیه‌سازی فرایند بارش-رواناب است. به‌طورکلی با توجه به دقت بالای مدل‌های هوشمند به‌ویژه مدل GEP در پیش‌بینی فرایند بارش-رواناب روزانه، استفاده از این روش‌ها در مسائل هیدرولوژیک توصیه می‌شود. همچنین، پیشنهاد می‎شود، در تحقیقات آینده از روش‌های هوشمند و داده‌کاوی در مدل‌سازی فرایند بارش-رواناب در حوضه‌های مختلف به‌طور جداگانه برای سال‌‌های درگیر خشکسالی و ترسالی استفاده شود.