فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: رابطه بارش و رواناب از مفاهیم بنیادین هیدرولوژی به‌شمار می‌رود و بیانگر فرآیندهای پیچیده‌ای نظیر نفوذ، تبخیر و تعرق و تبادل آب میان جریان‌های سطحی و زیرسطحی است که منجر به شکل‌گیری رواناب می‌شوند. در مناطق خشک و نیمه‌خشک بارش‌های نامنظم و شدید، همراه با کمبود داده‌های هیدرومتری و ساختار پیچیده حوضه‌ها، چالش‌های جدی برای مدیریت منابع آب ایجاد کرده است. رودخانه‌ها به‌عنوان شریان‌های حیاتی چرخه هیدرولوژیکی، نقشی اساسی در تأمین آب، تغذیه آبخوان‌ها و پایداری زیست‌بوم‌ها دارند و به‌شدت تحت تأثیر تغییرات بارش قرار می‌گیرند. بهره‌گیری از مدل‌سازی پیشرفته رواناب، به‌ویژه استفاده از رویکردهای داده‌محور همچون یادگیری ماشین و یادگیری عمیق، امکان شناسایی الگوهای غیرخطی و پیش‌بینی دقیق رخدادهای هیدرولوژیکی را فراهم کرده و ابزاری ارزشمند برای تصمیم‌گیری هوشمندانه در مدیریت پایدار منابع آب ارائه می‌دهد. بر این اساس هدف اصلی این پژوهش، ارزیابی و مقایسه عملکرد مدل‌های آماری و داده‌محور، شامل رگرسیون چندکی(QR)، شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF)، در شبیه‌سازی فرآیند بارش–رواناب در مناطق نیمه‌خشک ایران است. مواد و روش‌ها: در پژوهش حاضر، به منظور مدل‌سازی فرآیند بارش-رواناب در سه حوضه آبخیز زشک، دهبار و کارده واقع در استان خراسان رضوی، از داده‌های ماهانه ایستگاه‌های هیدرومتری و هواشناسی در دوره آماری 26 ساله (2022-1997) استفاده شد. در گام نخست، به‌منظور بررسی صحت و همگنی سری‌های زمانی داده‌ها، آزمون چاو به‌کار گرفته شد. با توجه به وابستگی مقادیر بارش و رواناب ماهانه به زمان، داده‌ها به‌صورت سری‌های زمانی مرتب گردیدند. برای برازش و مدل‌سازی مقادیر رواناب ماهانه با استفاده از داده‌های بارش به‌منظور پیش‌بینی ۱۲ ماه آینده، از چهار مدل شامل شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی–فازی (ANFIS)، تابع انتقال (TF) و رگرسیون چندکی (QR) بهره گرفته شد. با توجه به این‌که سال‌های نزدیک‌تر به زمان حال اطلاعات دقیق‌تری از شرایط کنونی ارائه می‌دهند، از سال‌ها به‌صورت فرآیند پیش‌رو در مدل‌سازی استفاده شده و تعداد سال‌های مؤثر تعیین گردید. از میان سال‌های آماری مورد بررسی، تمامی سال‌ها برای آموزش مدل‌ها و سری زمانی یک سال به‌منظور اعتبارسنجی به‌کار رفت. اعتبارسنجی مدل‌های برازش داده شده با استفاده از سه معیار استاندارد میانگین قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R2) ارزیابی شد. شایان ذکر است که در این پژوهش به‌منظور انجام محاسبات آماری از نرم‌افزارهای R (بسته‌های quantreg و frbs)، SAS، MINITAB و SPSS استفاده شد. یافته‌ها: بررسی روند سری‌های زمانی بارش و رواناب ماهانه در سه آبخیز مورد مطالعه نشان داد که این حوضه‌ها دارای ساختارهای متفاوتی هستند. تحلیل نمودارهای خودهمبستگی متقابل بیانگر وجود ارتباط تاخیری بین سری‌های زمانی بارش و رواناب در سه آبخیز منتخب است. بر این اساس، اثر مستقیم بارش بر رواناب در حوضه‌های آبخیز زشک و دهبار با حداکثر تأخیر یک‌ ماهه و در حوضه آبخیز کارده، به‌دلیل شرایط کوهستانی و سهم بالاتر برف در رژیم بارندگی، با حداکثر تأخیر سه‌ ماهه مشاهده شد. تعداد سال‌های مؤثر در مدل‌سازی با استفاده از فرآیند پیش‌رو برای حوضه‌ های آبخیز زشک، دهبار و کارده به‌ترتیب ۱۷، ۱۹ و ۹ سال تعیین گردید که بهترین عملکرد مدل‌ها را فراهم کرده است. بررسی نتایج اعتبارسنجی مدل‌ها با شاخص‌های MAD، RMSE و R² حاکی از آن است که مدل MLP در مقایسه با سایر مدل‌ها، دقیق‌ترین برآورد رواناب ماهانه را در آبخیزهای زشک، دهبار و کارده (به‌ترتیب RMSE=0.0032, 0.0028, 0.0123m3/s) ارائه می‌دهد. پس از آن، مدل ANFIS (RMSE=0.0146, 0.0044, 0.0186 m3/s) در رتبه دوم قرار دارد. اعتبارسنجی مدل‌ها همچنین نشان‌دهنده شباهت قابل‌توجه نتایج مدل‌سازی دو روش MLP و ANFIS است. پس از این دو مدل، رگرسیون چندکی (QR) بالاترین دقت را در آبخیزهای زشک، دهبار و کارده ارائه داد (به‌ترتیب RMSE=0.0344, 0.0293, 0.0444m3/s). مدل تابع انتقال (TF) نیز مشابه مدل QR نتایج نسبتا مناسبی در تشخیص روند و ارزیابی دقت ارائه کرده است؛ اما در مقایسه با سه مدل دیگر، ضعیف‌ترین عملکرد را در آبخیزهای زشک، دهبار و کارده داشته است (به‌ترتیب RMSE=0.0344, 0.0378, 0.0510m3/s). نتایج اعتبارسنجی همچنین بیانگر شباهت زیاد نتایج مدل‌سازی رواناب ماهانه در دو روش TF و QR بود. بر اساس ضریب تعیین (R²) برای مدل‌ها، می‌توان نتیجه گرفت که سهم قابل‌توجهی از واریانس متغیر وابسته به‌طور قابل قبولی توسط متغیرهای مستقل توضیح داده شده است؛ بنابراین، همه مدل‌ها از دقت مناسبی برخوردارند. نتیجه‌گیری: نتایج این پژوهش نشان داد که چهار مدل مورد استفاده، شامل MLP، ANFIS، QR و TF، با وجود تفاوت در میزان دقت، عملکرد قابل قبولی در شناسایی الگو ها و مدل‌ سازی تغییرات سری‌های زمانی خروجی بر اساس داده‌های ورودی نشان داده‌اند. بر این اساس، می‌توان از این مدل‌ها به‌عنوان ابزارهایی کارآمد و مؤثر برای پیش‌بینی رواناب ماهانه بر مبنای میزان بارش در منطقه‌ مورد مطالعه بهره گرفت.در هیچ‌یک از مدل‌های بررسی‌شده شواهدی از بیش‌برازش یا کم‌برازش مستمر که منجر به کاهش دقت و کارایی مدل‌ها شود، مشاهده نشد. با این حال، مقایسه شاخص‌های ارزیابی نشان داد که از نظر دقت، مدل‌ها به‌ترتیب شامل MLP، ANFIS، QR و TF بوده‌اند. با توجه به نوسانات بالای بارش در استان خراسان رضوی، انتظار می‌رفت مدل QR که برای نقاط حدی سازوکار متفاوتی نسبت به مقادیر متوسط در نظر می‌گیرد، دقت بالاتری داشته باشد؛ با این حال دقت آن نسبت به دو مدل MLP و ANFIS به‌طور چشمگیری پایین‌تر بود. اگرچه مدل TF از نظر دقت نسبت به سایر مدل‌ها ضعیف‌تر عمل کرده است، اما این مدل در شناسایی تأخیر زمانی در اثرگذاری بین متغیرهای ورودی (بارش) و خروجی (رواناب) نقش قابل‌ توجهی ایفا می‌کند. علاوه‌ بر این، ساختار مدل TF چارچوب مناسبی برای تبیین فرآیندهای هیدرولوژیکی و نحوه اثرگذاری بارش بر رواناب به‌صورت یک مدل فرآیند محور فراهم کرده است.