برآورد رواناب حوضه بار اريه با استفاده از مدل‌هاي WetSpa و شبكه عصبي مصنوعي

Estimation runoff of Bara-Ariye basin using WetSpa and artificial neural network models

برآورد صحيح رواناب حوضه نقش بسيار مهمي در مديريت آن دارد. تا به حال محققين زيادي از مدل‌هاي يكپارچه، توزيعي و هم‌چنين از روش‌هاي هوشمند مصنوعي به‌منظور برآورد رواناب حوضه استفاده نمودند. در تحقيق حاضر براي برآورد آبدهي حوضه بار اريه با مساحتي معادل با 112 كيلومتر مربع و متوسط بارش سالانه 306/72 ميلي‌متر از دو مدل توزيعي WetSpa و مدل هوشمند شبكه عصبي مصنوعي ANN استفاده گرديد. به‌منظور اجراي مدل WetSpa از دو دسته اطلاعات شامل نقشه‌هاي رستري و اطلاعات هواشناسي و براي مدل شبكه عصبي مصنوعي تنها از اطلاعات هواشناسي استفاده گرديد. اجراي مدل‌هاي مذكور در دوره‌ي 5 ساله صورت پذيرفت. به‌منظور مقايسه نتايج مدل‌ها، از معيارهاي ارزيابي ضريب همبستگي R2، مجذور ميانگين خطاي استاندارد RMSE و ميانگين قدر مطلق خطا MAE استفاده شد. نتايج بدست آمده نشان داد مدل WetSpa با R2و RMSE برابر با m3/s0/920 وm3/s 0/346 و هم‌چنين مدل شبكه عصبي مصنوعي با R2و RMSE برابر با m3/s 0/959 و m3/s 0/310 توانايي شبيه‌سازي جريان رودخانه بار اريه را دارند. هم‌چنين استفاده از مدل شبكه عصبي مصنوعي موجب كاهش خطاي برآورد رواناب حوضه به مقدار 11/6 درصد در مقايسه با مدل WetSpa شده است.

Accurate estimation of watershed runoff has a crucial role in its management. Until now many researchers used different models such as integrated and distributed models, and also artificial intelligent methods to estimate basin runoff. For this purpose in this study for estimation the runoff of Bara-Ariye basin with an area of 112 km2 and average annual rainfall of 306.72mm, two different models namely WetSpa and artificial neural network (ANN) were used. To run of the WetSpa model two categories of information, including raster maps and metrological data and for ANN model only meteorological data were used. The 5 years data were used to simulation runoff of Bara-Ariye basin. The statistical parameters such as correlation coefficient (R2), the square of the standard error of the mean (RMSE) and mean absolute error (MAE) were used for comparison results of two models. The results indicated that the WetSpa model with R2 and RMSE equal to 0.920 and 0.346 m3/s and also ANN model with R2 and RMSE equal to 0.959 and 0.310 m3/s have the ability to simulate runoff of Bara Ariye River. Also using neural network model reduced the error estimation of watershed runoff 11.6% compared with the WetSpa model.