فهرست نشریات علمی دسترسی آزاد ایران

مدل‌سازی ماهانه فرآیند بارش- رواناب نقش مهمی در بهر‌ه‌برداری از سدها دارد. در مقاله حاضر کارایی سه مدل داده‌مبناء شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و K نزدیک‌ترین همسایگی (KNN) در مقایسه با مدل مفهومی IHACRES در مدل‌سازی ماهانه بارش- رواناب با داده‌های مشابه و ساختار بهینه مورد ارزیابی قرار گرفت. شبیه‌سازی جریان ماهانه ورودی به سد کرخه به عنوان مطالعه موردی انتخاب و از داده‌های مشاهده‌ای 32 ساله (1393-1361) دما و بارش ماهانه و جریان ماهانه ورودی به سد استفاده شد. با توجه به متفاوت بودن الگوهای بارش-رواناب در ماه‌های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل‌ها با استفاده از روش رتبه‌دهی و بر مبنای سه شاخص ارزیابی نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد. نتایج نشان داد که از هر دو روش ارزیابی مدل‌ها در مرحله صحت‌سنجی، دو مدل ANN و KNN به ترتیب دارای بیشترین و کم‌ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه‌ای مدل‌ها، کارایی دو مدل  ANN(749/0 NSE= و 868/0R=) و IHACRES (699/0 NSE=و 842/0R=) با کسب 8 امتیاز مشابه بود و دو مدل GRNN (618/0 NSE=و 793/0R=) و KNN (601/0 NSE=و 777/0R=) با کارایی مشابه (5 امتیاز) در رتبه دوم قرار گرفتند. در حالیکه بر اساس روش ارزیابی رتبه‌ای ماهانه، دو مدل IHACRES و GRNN با کسب مجموع 38 امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ANN با 48 امتیاز در مقام دوم قرار گرفت.