مقایسه دقت پیش‌بینی و برآورد رواناب با استفاده از مدل‌های SWAT و هوش مصنوعی در رودخانه میناب

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی هرمزگان، سازمان تحقیقات، آموزش و ترویج کشاورزی، هرمزگان، ایران

2 استادیار، دانشگاه UPM مالزی

3 دانشیار، دانشکده کشاورزی، دانشگاه تهران

چکیده

در مناطق خشک همانند سطح عظیمی از ایران، انسان همواره با کمبود آب مواجه بوده و هست. جمع‌آوری آب به‌ویژه در بهره‌برداری صحیح از آب‌های موجود در مناطق خشک، می‌تواند موثر باشد. تنوع اقلیم در ایران با وجود میانگین بارندگی کمتر از یک سوم جهانی، بالا است، حتی در مناطق جنوبی کشور و در مقیاس کوچک، از جمله میناب و محل سد احداثی استقلال هم، که بارندگی به یک سوم میانگین کشوری می‌رسد،‌ این تنوع اقلیمی به خوبی مشاهده می‌شود. در شرایط کنونی، روند بارندگی‌ها در میناب نیز تغییر کرده، طول دوره خشکسالی‌ها افزایش یافته است. سامانه‌های بهره‌برداری استاندارد طراحی شده قبلی برای برآورد آب ورودی به مخازن سدها همانند سد استقلال میناب، پاسخگوی مصارف نیست. لذا، استفاده از روش‌های جدید در افزایش دقت و همچنین، پیش‌بینی رواناب حوضه رودخانه میناب امری کاملا ضروری به نظر می‌رسد. برای رسیدن به این هدف، استفاده از مدل‌های فیزیکی و عددی در برآورد و پیش‌بینی دقیق‌تر از اهمیت خاصی برخوردار است. در این تحقیق، از دو مدل SWAT و هوش مصنوعی FTDNN برای برآورد و پیش‌بینی رواناب استفاده شده است. واسنجی، اعتبارسنجی و پیش‌بینی رواناب با استفاده از لایه‌های خاک، کاربری اراضی، توپوگرافی و داده‌های هیدروکلیماتولوژی در مقیاس سالانه و ماهانه انجام شد. مقادیر معیارهای ارزیابی همچون میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) برای دو مدل در مرحله واسنجی در دوره سالانه برای مدل  SWATبه‌ترتیب برابر با 6.89 و 8.37 و در FTDNN برابر با 5.35 و 7.76 برآورد شدند. ضریب خطی رگرسیون R2 در مرحله واسنجی در مقیاس ماهانه به‌ترتیب معادل 0.96 و 0.89 برای SWAT و این شاخص در مقیاس سالانه معادل 0.89 و 0.49 برای FTDNN است. ضریب خطی رگرسیون در مرحله اعتبارسنجی دو روش مذکور به‌ترتیب در مقیاس ماهانه 0.98 و 0.6 و در مقیاس سالانه 0.94 و 0.97 در دو مدل را نشان می‌دهد. نتایج حاصل از مقایسه معیارهای ارزیابی دو مدل حاکی از آن است که مدل هوش مصنوعی FTDNN از دقت و کارایی بیشتری نسب به مدل SWAT برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the accuracy of runoff prediction and estimation using SWAT and artificial intelligence models in Minab River

نویسندگان [English]

  • Mohammad Gholampoor 1
  • abdolhalim Ghazali 2
  • Ahmad Roodzi 2
  • Shahab Araghinezhad 3
1 .
2 UPM University
3 College of Agriculture & Natural Resources, University of Tehran,
چکیده [English]

In arid regions,like most of the Iran, human is suffering fromwater shortage. Water harvesting can be effective, especially in correct exploitation of existing waters in arid regions. With an average rainfall of less than one-third of the world, there are different climates in Iran, even in southern parts like Minab and the areas around Estaghlal Dam. In current situations, rainfall pattern has been changed and the length of drought periods has been increased in Minab. Last designed standard operating systems for estimating the amount of water entering to reservoirs like Esteghlal Dam are not sufficient. So, it is necessary to use new methods with higher accuracy in estimating and predicting watershed surface runoff. To achieve this objective, the use of numerical models for estimating and predicting is inevitable. In this research, SWAT and artificial intelligence models are used to estimate and forecast surface runoff. Calibration, validation and prediction of surface runoff were computed using soil, land use, topography and hydro-climatic data layers in the yearly and monthly basis. The annual values of evaluation criteria such as Mean Square Error (RMSE) and mean absolute error (MSE) in the calibration of the SWAT model were 6.89, 8.37 and for FTDNN were 5.35, 7.76, respectively, while, the monthly calibration results were 16.29, 32.02 for the SWAT and 9.46, 22.86 for FTDNN models. Linear regression coefficients in monthly calibration of models were 0.96 and 0.60 and in annual calibration of models were 0.94 and 0.98, respectively. Comparing criteria of evaluation of two models concluded that artificial intelligent model (FTDNN) has more accuracy and superior performance compared to SWAT model.

کلیدواژه‌ها [English]

  • Arid regiond
  • Average precipitation
  • Esteghlal Dam
  • drought
  • FTDNN