ارزيابي عملكرد روش هاي شبيه سازي-بهينه سازي ANN-WOA و ANN-BWO در پيش بيني رواناب روزانه (مطالعه موردي: ايستگاه جلوگير در حوضه آبريز كرخه)

مدل سازي بارش-رواناب روزانه به دليل تعدد عوامل مؤثر آن، يكي از پيچيدگي‌هاي علم هيدرولوژي است. تركيب‌هاي مختلفي از عوامل بارش-رواناب، طي دوره آماري 10 ساله (1390-1400) به‍عنوان ورودي براي تخمين رواناب در مقياس زماني روزانه مورد ارزيابي قرار گرفت. از 80 درصد داده‌ها  به عنوان آموزش (2920 نمونه) و 20 درصد داده‌ها به عنوان آزمون (730 نمونه) استفاده گرديد. عوامل ورودي شامل بارش (P) و دبي (Q) كه براي بارش تا شش تأخير  و براي دبي تا چهار تأخير  استفاده گرديد. از ضريب همبستگي پيرسون براي ارتباط بين متغيرهاي ورودي و خروجي استفاده گرديد. بر اين اساس تركيب مدل شماره  يك شامل صرفا بارش و دبي، داراي بيشترين همبستگي (0.805) و تركيب سيزدهم (بارش و بارش از يك تا شش روز تأخير  و دبي از يك تا چهار روز تأخير ) داراي كمترين همبستگي (0.109) بوده است. به ‍منظور مدل‍سازي از مدل‌هاي شبكه عصبي مصنوعي- الگوريتم بهينه ‍سازي نهنگ (ANN-WOA)، شبكه عصبي مصنوعي-الگوريتم بهينه ‍سازي عنكبوت سياه (ANN-BWO) و مدل شبكه عصبي-موجك كلاه مكزيكي (WANN) استفاده گرديد. همچنين براي ارزيابي مدل از شاخص‌هاي ريشه ميانگين مربعات خطا (RMSE)، ميانگين قدرمطلق خطا (MAE)، ضريب بهره وري نش- ساتكليف (NSE) و ضريب نا اريبي (PBIAS) استفاده گرديد. يافته‌هاي پژوهش نشان مي‌دهد كه كليه مدل‌هاي فوق عملكرد بسيار خوبي در پيش ‍بيني فرايند بارش-رواناب از خود نشان دادند. در اين بين مدل ANN-BWO داراي بهترين عملكرد در پيش ‍بيني بوده است. همچنين مدل‌هاي  ANN-WOAو  WANN و  ANN-BWOبه ‍ترتيب 32.4 و 27.6 و 22.14 درصد دقت مدل منفرد شبكه عصبي را بهبود بخشيدند.