نوع مقاله : مقاله پژوهشی
نویسندگان
1
دکتری عمران آب واحد علوم و تحقیقات تهران، کارشناس منابع آب شرکت آب منطقه ای آذربایجان غربی، ایران
2
دکتری مهندسی عمران، مهندسی و مدیریت منابع آب، مشاور مدیرعامل، شرکت مهندسی آب و فاضلاب آذربایجانغربی، ارومیه، ایران
3
دانشجو دکتری گروه مهندسی منابع طبیعی، مدیریت حوزه های آبخیز، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، ایران
4
دانشجوی کارشناسی ارشد رشته علوم ومهندسی آبخیزداری، گرایش مدیریت حوزه های آبخیز، دانشکده منابع طبیعی ومحیط زیست، دانشگاه ملایر، ایران
10.22075/ceasr.2025.40107.1063
چکیده
پیشبینی دقیق جریان روزانه رودخانهها در حوزههای مرطوب با رژیم هیدرولوژیکی پویا، از اهمیت بالایی در مدیریت پایدار منابع آب، برنامهریزیهای هیدرولوژیکی و کاهش خطر سیلاب برخوردار است. در سالهای اخیر، مدلهای مبتنی بر یادگیری ماشین و یادگیری عمیق بهدلیل توانایی ذاتی در مدلسازی روابط غیرخطی، ناایستا و چندمتغیره، مورد توجه فزایندهای در مهندسی آب قرار گرفتهاند. با این حال، ارزیابی سیستماتیک و مقایسهای عملکرد این مدلها—بهویژه در شرایط حوزههای مرطوب و با دقت زمانی روزانه—هنوز ناکافی است. این شکاف تحقیقاتی، نهتنها درک جامع از مزایا و محدودیتهای هر روش را محدود میکند، بلکه قابلیت انتقال، استحکام و اعتمادپذیری مدلها را در کاربردهای عملیاتی با چالش مواجه میسازد. این مطالعه با هدف پر کردن این شکاف، عملکرد سه مدل پیشرفته—ماشین بردار پشتیبان رگرسیون (SVR)، شبکه عصبی پیچشی (CNN) و شبکه مولد رقابتی (GAN)—را در پیشبینی دبی روزانه رودخانه تجن در استان مازندران (دوره 1348–1397) ارزیابی و مقایسه میکند.
دادههای روزانه بارش، تبخیر و دبی جریان با تأخیر یک تا سه روزه بهعنوان ورودیها در نظر گرفته شدند. پس از پیشپردازش جامع (شامل همگنسازی، حذف دادههای پرت، بازسازی دادههای گمشده و نرمالسازی)، پنج سناریوی ورودی بر اساس همبستگی پیرسون طراحی و دادهها به نسبت 70 به 30 برای آموزش و آزمون تقسیم شدند. مدلها با معیارهای R²، RMSE، PBIAS و KGE ارزیابی و نتایج با نمودارهای پراکندگی، سری زمانی، ویلئون پلات و دیاگرام تیلور نمایش داده شدند. یافتهها نشان داد که SVR در سناریوی پنجم (SN5)—که شامل تمام متغیرهای ورودی بود—بهترین عملکرد را داشت (R² = 0.850، RMSE = 5.675 m³/s، PBIAS = 0.475٪، KGE = 0.877) و بهطور معنیداری از CNN و GAN پیشی گرفت. مدلهای یادگیری عمیق تنها در سناریوهای پیچیده عملکرد قابلقبولی داشتند، در حالی که در سناریوهای ساده (بدون دبیهای تأخیری) کاملاً شکست خوردند (R² < 0.04). این نتایج برجسته میکند که ساختار ورودی—بهویژه وجود دبیهای تأخیری—بر عملکرد مدل تأثیری چندمراتبیتر از پیچیدگی الگوریتمی دارد. در نتیجه، این پژوهش گواهی بر این اصل هیدروانفورماتیکی است که در شرایط دادههای محدود و تحت استرسهای اقلیمی، انتخاب مدل باید بر اساس تطبیق با ماهیت هیدرولوژیکی دادهها صورت گیرد، نه صرفاً بر پایه نوآوری الگوریتمی—یافتهای که پیامدهای مستقیمی بر طراحی سامانههای پیشبینی عملیاتی و حکمرانی آبی در مناطق آسیبپذیر دارد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Performance Evaluation of Soft Computing-Based Methods for Daily Streamflow Prediction
نویسندگان [English]
-
Edris Merufinia
1
-
Edris Merufinia
2
-
Sadigha Shakofti
3
-
Roya Yazdanimehr
4
1
Ph.D. in Water Resources Engineering, Tehran Science and Research Branch, Water Resources Specialist, West Azerbaijan Regional Water Company, Iran
2
Ph.D. in Civil Engineering, Water Resources Engineering and Management, Advisor to the CEO, West Azerbaijan Water and Wastewater Engineering Company, Urmia, Iran
3
Ph.D. student, Department of Natural Resources Engineering, Watershed Management, Faculty of Agriculture and Natural Resources, University of Hormozgan, Iran
4
M.Sc. Student in Watershed Science and Engineering, Major in Watershed Management, Faculty of Natural Resources and Environment, Malayer University, Iran
چکیده [English]
Accurate daily river flow forecasting in humid catchments with dynamic hydrological regimes is essential for sustainable water management, flood mitigation, and hydrological planning. Although machine learning (ML) and deep learning (DL) models are increasingly used for their ability to model complex, nonlinear hydrological processes, systematic comparisons of their performance—especially at daily resolution in humid basins—remain limited. This study addresses this gap by evaluating Support Vector Regression (SVR), Convolutional Neural Network (CNN), and Generative Adversarial Network (GAN) using 50 years (1969–2018) of daily meteorological and streamflow data from the Tajan River basin in northern Iran. Input variables included precipitation, evaporation, and lagged discharges (Qₜ₋₁ to Qₜ₋₃), forming five scenarios based on Pearson correlation. After comprehensive preprocessing and a 70:30 train–test split, models were assessed using R², RMSE, PBIAS, and KGE, with results visualized through scatter plots, time series, violin plots, and Taylor diagrams. SVR in Scenario 5 (SN5)—incorporating all lagged flows—achieved the best performance (R² = 0.850, RMSE = 5.675 m³/s, PBIAS = 0.475%, KGE = 0.877), significantly outperforming CNN and GAN. Notably, the DL models failed in simpler scenarios lacking lagged discharge (R² < 0.04), underscoring that input structure outweighs algorithmic complexity. The findings affirm that, under data-scarce and climatically stressed conditions, model selection must prioritize hydrological relevance over algorithmic novelty—providing critical guidance for developing reliable, operational forecasting systems and resilient water governance in vulnerable regions.
کلیدواژهها [English]
-
Streamflow prediction
-
soft computing
-
Deep learning
-
Pearson correlation coefficient
-
Tajan Basin
)