نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

تحلیل اثر حافظه زمانی بارش و دبی بر شبیه‌سازی فرآیند بارش–رواناب با استفاده از مدل‌های یادگیری ماشین

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
بهروز آقاپور آهنگری 1
بابک فضلی مالیدره 2
رضا محمدپور 3
تورج سبزواری 4
زهرا قدم پور 5
1 دانشجوی دکتری مهندسی عمران، گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران
2 استادیار گروه مهندسی عمران، دانشکده مهندسی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران
3 استادیار گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران.
4 استاد گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران
5 استادیارگروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران
10.22125/iwe.2026.601094.1946
چکیده
فرآیند بارش–رواناب یکی از فرآیندهای پیچیده هیدرولوژیکی است و شبیه‌سازی دقیق آن به انتخاب مناسب متغیرهای ورودی و ساختار زمانی داده‌ها وابسته است. هدف این پژوهش، بررسی اثر حافظه زمانی بارش و دبی بر عملکرد مدل‌های یادگیری ماشین و شناسایی ساختار مناسب وقفه‌های ورودی در شبیه‌سازی بارش–رواناب است. بدین منظور، از داده‌های روزانه بارش و دبی ایستگاه اقبال‌آباد در استان فارس استفاده شد. پس از پیش‌پردازش داده‌ها، شامل بررسی داده‌های گمشده، شناسایی داده‌های پرت و نرمال‌سازی، وقفه‌های دبی Q1 تا Q6 و وقفه‌های بارش P1 تا P7 ایجاد شد. سپس ۴۹ سناریوی مختلف با ترکیب‌های متفاوت وقفه‌های بارش و دبی طراحی و عملکرد چهار مدل CatBoost، Random Forest، XGBoost و LSTM مقایسه شد. نتایج نشان داد که ساختار حافظه زمانی ورودی‌ها بر عملکرد مدل‌ها اثرگذار است و افزایش تعداد وقفه‌ها به‌تنهایی الزاماً موجب بهبود عملکرد نمی‌شود. در میان سناریوهای بررسی‌شده، ترکیب Q6+P4 در سناریوی S4 با مقدار NSE برابر 7525/0در مدل CatBoost بهترین عملکرد را نشان داد. همچنین، ترکیب‌های Q3+P7 و Q6+P7 به‌ترتیب مقادیر NSE برابر 7513/0 و 7498/0 داشتند. یافته‌ها نشان داد که در نظر گرفتن هم‌زمان وقفه‌های بارش و دبی و انتخاب طول مناسب حافظه زمانی می‌تواند عملکرد شبیه‌سازی را بهبود دهد.
کلیدواژه‌ها
'بارش–رواناب'
'حافظه زمانی'
'وقفه زمانی'
'یادگیری ماشین'
' CatBoost'
موضوعات

عنوان مقاله English

Analyzing the Effect of Precipitation and Discharge Temporal Memory on Rainfall–Runoff Simulation Using Machine Learning Models

نویسندگان English

Behrooz Aghapoor Ahangari 1
Babak Fazli Malidareh 2
Reza Mohammad Pour 3
Toraj Sabzevari 4
Zahra GhadamPour 5
1 PhD student in Civil Engineering, Department of Civil Engineering, Faculty of Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran.
2 Assistant Professor, Department of Civil Engineering, Faculty of Engineering, Babol Branch, Islamic Azad University, Babol, Iran
3 Assistant Professor, Department of Civil Engineering, Faculty of Engineering Estahban Branch, Islamic Azad University, Estahban, Iran
4 Professor, Department of Civil Engineering, Faculty of Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran.
5 Assistant Professor, Department of Civil Engineering, Faculty of Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran.
چکیده English

The rainfall–runoff process is a complex hydrological process, and its accurate simulation depends on the appropriate selection of input variables and temporal data structure. This study aimed to investigate the effect of precipitation and discharge temporal memory on machine learning model performance and to identify suitable input lag structures for rainfall–runoff simulation. Daily precipitation and discharge data from the Eghbalabad station in Fars Province, Iran, were used. After data preprocessing, including missing-data assessment, outlier detection, and normalization, discharge lags Q1–Q6 and precipitation lags P1–P7 were generated. Subsequently, 49 scenarios with different combinations of precipitation and discharge lags were designed, and the performance of four models, including CatBoost, Random Forest, XGBoost, and LSTM, was compared. Results showed that the temporal memory structure of the inputs affected model performance, and increasing the number of lags alone did not necessarily improve performance. Among the evaluated scenarios, the Q6+P4 combination in scenario S4 achieved the highest NSE of 0.7525 using CatBoost. The Q3+P7 and Q6+P7 combinations also achieved high NSE values of 0.7513 and 0.7498, respectively. The findings indicate that simultaneously considering precipitation and discharge lags and selecting an appropriate temporal memory length can improve rainfall–runoff simulation.

کلیدواژه‌ها English

Rainfall–runoff'
Temporal memory'
Time lag'
Machine learning'
'
CatBoost'
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 24 شهریور 1405