فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش، با هدف بهبود دقت شبیه‌سازی رواناب روزانه در حوضه‌ی قره‌سو واقع در استان کرمانشاه، یک چارچوب مدل‌سازی ترکیبی مبتنی بر تلفیق مدل مفهومی IHACRES و الگوریتم‌های پیشرفته یادگیری ماشین توسعه داده شد. داده‌های مورد استفاده شامل بارش، دمای حداقل، حداکثر و میانگین و دبی رودخانه از ایستگاه‌های هیدرومتری پل‌کهنه و قورباغستان در بازه‌ی زمانی ۱۹۹۵ تا ۲۰۲۳ می‌باشند. در مرحله نخست، مدل نیمه‌توزیعی IHACRES جهت شبیه‌سازی فرآیند بارش–رواناب پیاده‌سازی گردید و با بهره‌گیری از الگوریتم ژنتیک،پارامترهای آن بهینه‌سازی شد. به‌منظور حذف نوسانات کوتاه‌مدت، یک فیلتر میانگین متحرک سه‌روزه بر خروجی مدل اعمال شد. سپس،با استفاده از خروجی IHACRES و مجموعه‌ای از متغیرهای مشتق‌شده شامل ویژگی‌های تأخیری، آماره‌های بارش و دما، شاخص‌های زمانی و خشکسالی، یک مدل یادگیری ماشین نوع XGBoost طراحی گردید. عملکرد مدل‌ها با شاخص‌های آماری RMSE و NSE در دو دوره آموزش و آزمون مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل پایه‌ی IHACRES عملکردی در حد قابل قبول داشت (NSE≈0.44)، اما با اعمال فیلتر میانگین متحرک و بهینه‌سازی پارامترها، دقت آن به‌طور متوسط تا ۳۰٪ افزایش یافت. در نهایت، مدل ترکیبی IHACRES–XGBoost با دستیابی به مقدار NSE بیش از ۰.۹۷ و RMSE کمتر از ۱۰، بالاترین دقت را ارائه کرد. این یافته‌ها نشان‌دهنده‌ی کارایی بالا و پتانسیل بالای مدل‌های ترکیبی در ارتقاء پیش‌بینی رواناب روزانه می‌باشد.