تركيب بهينه متغيرها براي شبيه سازي رواناب در حوزه آبخيز امامه با استفاده از آزمون گاما

Optimum Combination of Variables for Runoff Simulation in Amameh Watershed using Gamma test

رواناب ناشي از بارش يك فرايند پيچيده و غيرخطي بوده و بنابراين، مدل سازي آن چندان آسان نيست. هدف اين مطالعه كاربرد آزمون گاما براي انتخاب تركيب بهينه متغيرهاي ورودي در مدل سازي رواناب رودخانه حوزه آبخيز امامه مي باشد. براي تعيين بهينه تعداد داده هاي مورد نياز براي مدل سازي از آزمون M استفاده شد. داده هاي بارندگي P(t) و روانابR(t) در مقياس روزانه و در طول دوره آماري 1388- 1379 استفاده شد. همچنين هشت متغير ورودي شامل سري مربوط به جريان با تاخير يك روزه (R(t-1))، دو روزه (R(t-2))، سه روزه (R(t-3)) و چهار روزه (R(t-4))، سري بارندگي روزانه بدون تاخير زماني (P(t)) و با تاخيرهاي يك روزه (P(t-1))، دو روزه (P(t-2)) و سه روزه (P(t-3)) استفاده شد. مدل سازي جريان آب رودخانه با استفاده از تعداد نقاط بهينه متغيرهاي منتخب با روش هاي شبكه عصبي مصنوعي و رگرسيون خطي محلي انجام شد. نتايج نشان داد كه شش متغير شامل P(t)، P(t-1)، P(t-2)، P(t-3)، R(t-1) و R(t-2) بهينه تركيب متغيرها در مدل سازي جريان رودخانه حوزه مذكور مي باشند. همچنين با استفاده از خروجي آزمون M تعداد 1405 داده براي بخش آموزش مدل سازي مناسب تشخيص داده شد. نتايج حاكي از اين واقعيت است كه روش رگرسيون خطي محلي LLR)) در قسمت آموزش از دقت بالاتري نسبت به روش شبكه هاي عصبي مصنوعي برخوردار است، در حاليكه در مرحله تست مدل، روش شبكه عصبي از دقت بيشتري برخوردار بود. مقدار R2 و RMSE روش LLR در بخش آموزش بترتيب معادل 96/0 و 7/1 بدست آمد.

Runoff resulting from rainfall is a complex and non-linear process and, therefore, its modeling is not so easy. The aim of this study was the application of the Gamma test to select the optimal combination of input variables for runoff modeling in Amameh watershed. M-test was used to identify the optimal number of required data for modeling. Data of rainfall (P(t)) and runoff (R(t)) in daily time scale were used in the period of 2000 to 2009. Totally, eight input variables namely four variables of daily streamflow: lag-1 (R(t-1)), lag-2 (R(t-2)), lag-3 (R(t-3)) and lag-4 (R(t-4)) as well as four daily rainfall variables: without lag time (P(t)), lag-1 (P(t-1)), lag-2 (P(t-2)) and lag-3 (P(t-3)) were used. Streamflow modeling was performed based on the optimum number of the selected variables using the artificial neural network (ANN) and local linear regression (LLR) methods. The results showed that the six variables of P(t), P(t-1), P(t-2), P(t-3), R(t-1) and R(t-2) belonged to the optimum combination of variables in streamflow modeling of the mentioned watershed. Moreover, based on the M-test output, only 1405 points were found to be adequate for modeling in the training section. Results indicated the fact that the LLR method had greater accuracy in training process compared to ANN. However, the ANN had large amount of accuracy in the model testing process. In training section the R2 and RMSE values were found to be equal to 0.96 and 1.7, respectively.