مدل‌سازي و پيش‌بيني رواناب ماهانه در دامنه زمان (مطالعه موردي: حوضه آبريز قره‌سو)

در پژوهش حاضر براي مدل سازي رواناب ماهانه، از داده هاي چهار ايستگاه هيدرومتري پل توسكاستان، نهارخوران، غازمحله و سياه آب در حوضه آبريز قره سو در يك دوره آماري 36 ساله استفاده شد. سپس بررسي همگني سري داده ها با استفاده از آزمون چاو انجام شد. پس از مرتب سازي داده ها، براي مدل سازي مقادير رواناب ماهانه از چهار روش باكس و جنكينز (SARIMA)، شبكه عصبي مصنوعي (ANN)، شبكه عصبي مصنوعي ـ فازي (ANFIS) و الگوريتم ژنتيك (GA) در ايستگاه هاي هيدرومتري منتخب استفاده شد. پس از مدل سازي مقادير رواناب ماهانه با استفاده از چهار مدل فوق، به پيش بيني تغييرات رواناب ماهانه در ايستگاه هاي هيدرومتري منتخب براي دوازده ماه آينده پرداخته شد و اين امر با كمك نرم افزارهاي Minitab، R و SPSS  صورت گرفت. با توجه به نوع پراكنش مقادير رواناب و وجود داده صفر، براي تثبيت واريانس از تبديلlog(1+Yt)   در مدل استفاده شد. در مرحله بعد، اعتبارسنجي مقادير پيش بيني شده توسط مدل ها با استفاده از شاخص هاي MAD، RMSE و MAPE ارزيابي شد. نتايج نشان داد كه در اكثر ايستگاه هاي هيدرومتري منتخب، مدل شبكه عصبي مصنوعي بهترين عملكرد را در بين چهار مدل مورد استفاده داشت. بعد از شبكه عصبي مصنوعي، شبكه عصبي مصنوعي ـ فازي داراي مناسب ترين عملكرد بود. روش باكس و جنكينز نيز با وجود اينكه در تشخيص روند تغييرات به صورت مناسب عمل كرده بود، در بين چهار مدل مورد استفاده عملكرد ضعيف تري را در پيش بيني مقادير رواناب داشت.