ارزيابي دقت مدل‌هاي هم‌زمان سري زماني و شبكه عصبي در مدل‌سازي بارش-رواناب (مطالعه موردي: حوضه آبريز نازلو چاي)

Assessing the Accuracy of Contemporaneous Time Series and Neural Network Models in Modeling Rainfall-Runoff (Case Study: Nazloochaei Catchment)

سابقه و هدف: مدل‌سازي بارش-رواناب يك فرآيند ضروري و پيچيده مي‌باشد كه در بهره‌برداري مناسب از مخازن و مديريت و برنامه ريزي صحيح منابع آب نقش عمده‌اي دارد. مدل‌سازي اين فرآيند با استفاده از روش‌هاي مختلفي امكانپذير است. از نظر تئوري، در مدل‌سازي يك سيستم مي‌بايست روابط صريح بين متغيرهاي ورودي و خروجي معلوم باشند. در حاليكه به علت معلوم نبودن روابط صريح بين متغيرها و عدم قطعيت‌هاي ذاتي آن‌ها، استخراج چنين مدلي بسيار مشكل مي‌باشد. براي مدل‌سازي بارش-رواناب تا كنون كارايي مدل‌هايي نظير شبكه عصبي، مدل هاي چند‌ متغيره خود همبسته با ميانگين متحرك مورد بررسي قرار گرفته است لذا در اين تحقيق ميزان دقت مدل هاي CARMA و ANN در مدل‌سازي بارش-رواناب مورد بررسي قرار گرفته است. مواد و روش‌ها: در اين مطالعه، مدل‌هاي چند‌ متغيره خود همبسته با ميانگين متحرك هم‌زمان (CARMA) و شبكه عصبي مصنوعي جهت مدل‌سازي بارش رواناب مورد ارزيابي قرار گرفتند. براي مدل ANN سه سناريو در نظر گرفته شد. جهت استفاده از مدل‌هاي فوق، از سري زماني مجموع بارش و رواناب ماهانه در دوره آماري (1394-1353) مربوط به حوضه آبريز نازلو چاي واقع در ´49 °44 طول جغرافيايي و ´40 °37 عرض جغرافيايي واقع در استان آذربايجان غربي استفاده شد. در ابتدا، داده‌ها ازنظر تصادفي بودن، روند و همگني، به ترتيب با استفاده از آزمون‌هاي ران-تست، من-كندال و ويلكاكسون مورد بررسي قرار گرفتند و پس از آن داده‌ها به دو گروه تقسيم شدند. 80 درصد داده‌ها به آموزش مدل و 20 درصد از داده‌ها به آزمون مدل اختصاص داده شد. معيارهاي عملكرد به كار برده شده نيز معيارهاي ريشه ميانگين مربعات خطا، نش-ساتكليف و ضريب همبستگي بوده است. يافته‌ها: نتايج نشان داد كه مدل CARMA دقت به‌ مراتب مناسب‌تري نسبت به مدل ANN داشته است به‌طوري‌كه معيار ريشه ميانگين مربعات خطا در مدل CARMA برابر با 7/7 و در مدل ANN برابر با 9/50 متر مكعب بر ثانيه بود. همچنين معيارهاي نش-ساتكليف و R2 در مدل CARMA به ترتيب برابر با 0/41 و 0/54 در حالي كه مقادير اين معيارها در مدل ANN برابر با 0/45 و 0/80 بوده است. لذا مدل CARMA براي مدل‌سازي بارش-رواناب از دقت بيشتري نسبت به مدل ANN برخوردار بوده است. نتيجه‌گيري: بر اساس نتايج حاصل از اين تحقيق، استفاده از مدل‌هاي چند‌متغيره خانواده ARMA سبب كاهش ميزان خطاي مدل به‌ميزان 18 درصد نسبت به مدل ANN شده است لذا مدل CARMA نسبت به مدل ANN از عملكرد مناسب‌تري برخوردار بوده است و اين موضوع اهميت در نظر گرفتن جزء تصادفي در مدل‌سازي را نشان مي‌دهد.

Background and Objectives: Rainfall-runoff modeling is an essential process and very complicated phenomena that is necessary for proper reservoir system operation and successful water resources planning and management. There are different methods like conceptual and numerical methods for modeling of this process. Theoretically, a system modeling required explicit mathematical relationships between inputs and outputs variables. Developing such explicit model is very difficult because of unknown relationship between variables and substantial uncertainty of variables. So far performance models such as neural networks, multivariate models with auto moving average is studied for modeling the rainfall-runoff. So, in this study CARMA and ANN models studied in rainfall-runoff modeling. Materials and Methods: In this research, the multivariate contemporaneous autoregressive moving average (CARMA) models and artificial neural networks (ANN) were evaluated to rainfall-runoff modeling. we define 3 scenario for ANN model. In order to use CARMA and ANN models total annual precipitation and runoff time series in the period of 1975-2015 as for Nazloochaei the catchment area, in 44° 49 ' in latitude and 37° 40 ' longitude in the province of West Azerbaijan was used. At first, we checked the data in terms of randomness, trend and Homogeneity by run test, Mann-Kendall test and Wilcoxon test. an‎d then we separated data in two group. One group including 80 presents of data for training and 20 percent of data for validation was assigned. Performance criteria that used, was root mean square error, Nash-Sutcliffe and correlation coefficient. Performance criteria that used, was root mean square error, Nash-Sutcliffe and correlation coefficient. Results: The results of this research indicated that the CARMA model had the efficiency accuracy more than ANN model, because root mean square error in CARMA model was equal 7.7 and that was in ANN model 9.50 m3/s. Also, CARMA model according to the Nash-Sutcliffe criteria and R2 equal to 0.41 and 0.54 had better performance than the ANN model. However, the value of these performance criteria in ANN model was equal 0.45 and 0.80. So CARMA model has more Accuracy than ANN model in rainfall-runoff modeling. Conclusion: According to the obtained results, using multivariate ARMA models caused to decrease in model error up to 18 percentages. So CARMA model had suitable performance in compare with ANN model, and this subject show the importance of to consider Random component in modeling. So CARMA model had suitable performance in compare with ANN model, and this subject show the importance of to consider Random component in modeling.