نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

مقایسه‌ی عملکرد مدل‌های یادگیری ماشین و مدل‌های مفهومی هیدرولوژیکی در شبیه‌سازی بارش-رواناب (مطالعه‌ی موردی:حوضه‌ی آبریز رودخانه‌ی خرم‌آباد)

نوع مقاله : مقاله پژوهشی

نویسندگان
رقیه امیری 1
سید یحیی میرزایی 2
منوچهر چت سازان 3
1 دکتری هیدروژئولوژی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، ایران
2 2- دانشیار هیدرولوژی، عضو هیات علمی دانشکده علوم زمین دانشگاه شهید چمران اهواز، ایران
3 استاد هیدروژئولوژی، عضو هیات علمی دانشکده علوم زمین دانشگاه شهید چمران اهواز
10.22125/iwe.2025.555667.1905
چکیده
توسعه‌ی رابطه‌ی بارش-رواناب یک موضوع اساسی در مدل‌سازی هیدرولوژیکی است. با توجه به پیچیدگی رابطه‌ی بارش-رواناب، پیش‌بینی رواناب نقش اساسی در برنامه‌ریزی و مدیریت منابع آب ایفا می‌کند. این مطالعه رابطه‌ی بارش-رواناب در حوضه‌ی آبریز رودخانه‌ی خرم‌آباد را با استفاده از داده‌های ایستگاه‌های سینوپتیک خرم‌آباد و هیدرومتری چم‌انجیر هم‌زمان مدل‌سازی می‌کند. در این مطالعه مدل‌سازی بارش-رواناب با استفاد از مدل‌های مفهومی هیدرولوژیکی WEAP و IHACRES و مدل‌های هوش مصنوعی ANN، ANFIS و SVM برای تخمین رواناب انجام شد. دوره‌ی مدل‌سازی برای همه‌ی مدل‌ها از مهر 1335 تا شهریور 1403 در نظر گرفته شد و تنها در مدل WEAP به دلیل تعداد زیاد پارامترهای ورودی دوره‌ی آماری مهر 1389 تا شهریور 1402 انتخاب شد. در مورد مدل‌های هوش مصنوعی 80 درصد داده‌ها برای دوره‌ی آموزش و 20 درصد آن‌ها برای دوره‌ی آزمایش انتخاب شدند. برای ارزیابی دقت پیش‌بینی مدل‌ها نیز از معیارهای ارزیابی عملکرد مدل شامل R2، NSE و RMSE استفاده شد. بر این اساس از بین مدل‌های هیدرولوژیکی، مدل WEAP نسبت به مدل IHACRES و از بین مدل‌های هوش مصنوعی، مدل ANFIS نسبت به مدل‌های ANN و SVM عملکرد بهتری از خود نشان دادند. بر اساس نتایج به‌دست آمده در مجموع از بین همه‌ی مدل‌های مورد استفاده مدل ANFIS با 96/0=R2، 98/0=NSE و 08/2=RMSE در دوره‌ی آموزش و 94/0=R2، 87/0=NSE و 93/1=RMSE در دوره‌ی آزمایش عملکرد بهتری نسبت به سایر مدل‌ها از خود نشان داد. بر این اساس به‌طور کلی می‌توان گفت مدل‌های هوش مصنوعی در مقایسه با مدل‌های هیدرولوژیکی عملکرد بهتری در شبیه‌سازی بارش-رواناب از خود نشان دادند.
کلیدواژه‌ها
مدل‌های هیدرولوژیکی
مدل‌های هوش مصنوعی
مدل‌سازی بارش-رواناب رودخانه‌ی خرم‌آباد
موضوعات

عنوان مقاله English

omparison of the performance of machine learning models and conceptual hydrological models in rainfall-runoff simulation (Case study: Khorramabad River Basin)

نویسندگان English

Roghayeh , Amiri 1
Seyed Yahya Mirzaee 2
Manuchehre Chitszan 3
1 Ph.D. in hydrogeology, Faculty of Geosciences, Shahid Chamran University of Ahvaz, Iran,
3 Department of Geology, Faculty of Earth Sciences, Shahid Chamran University of ahvaz, Iran
چکیده English

Abstract

The development of the rainfall–runoff relationship constitutes a fundamental aspect of hydrological modeling. Given the inherent complexity of this relationship, accurate runoff prediction plays a pivotal role in water resources planning and management. This study investigates the rainfall–runoff relationship within the Khorramabad River Basin, employing simultaneous data from the Khorramabad Synoptic Station and the Cham-Anjir Hydrometric Station. Rainfall–runoff modeling was conducted using two conceptual hydrological models WEAP and IHACRES as well as three artificial intelligence (AI) approaches, namely Artificial ANN, ANFIS and SVM, to estimate runoff. The modeling period for all models extended from October 1956 to September 2024, except for the WEAP model, for which the period October 2010 to September 2023 was selected due to the large number of input parameters required. For the AI-based models, 80% of the data were used for training and 20% for testing. The performance of the models was evaluated using standard statistical indicators, including the R², NSE and RMSE. The results indicated that, among the hydrological models, WEAP outperformed IHACRES, and among the AI models, ANFIS exhibited superior performance compared to ANN and SVM. Overall, the ANFIS model demonstrated the best performance among all models employed, with R² = 0.96, NSE = 0.98, and RMSE = 2.08 during the training phase, and R² = 0.94, NSE = 0.87, and RMSE = 1.93 during the testing phase. Consequently, the findings suggest that artificial intelligence models generally outperform conceptual hydrological models in simulating the rainfall–runoff process.

کلیدواژه‌ها English

Rainfall-runoff modeling
Artificial intelligence models
Hydrological models of River Basin,
حقی‌زاده، ع.، م. محمدلو و ف. نوری. 1394. شبیه‌سازی فرآیند بارش-رواناب با استفاده از شبکه‌ی عصبی-مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چند متغیره ( مطالعه‌ی موردی: حوضه‌ی آبریز رودخانه‌ی خرم‌آباد). نشریه اکوهیدرولوژی، دوره 2، شماره 2، ص 243-233.
زارعی، م.، م.ر. قنبرپور، م. حبیب نژاد روشن و ک. شاهدی. 1388. شبیه‌سازی جریان رودخانه با استفاده از مدل بارش-رواناب IHACRES (مطالعه‌ موردی: حوضه‌ی آبخیز کسیلیان). مجله‌ علمی-پژوهشی علوم و مهندسی آبخیزداری ایران. جلد سوم، شماره 8.
فرودی صفات، ا.، م.م. احمدی، ک. قادری و س. گلستانی کرمانی. 1400. ارزیابی دو مدل تلفیقی هیدرولوژیکی- جعبه سیاه برالی پیش‌بینی سیلاب در حوضه آبریز هلیل‌رود. نشریه اکوهیدرولوژی، دوره 8، شماره 2، ص 409-397.
موجرلو، ف.، ر. فضل‌اولی و ع. عمادی. 1397. کاربرد مدل IHACRES برای ارزیابی اثرات تغییر اقلیم بر دبی حوضه‌ی آبریز تجن. نشریه‌ی آبیاری و زهکشی ایران. شماره‌ی 1، جلد 13، اردیبهشت 1398، ص.141-129.
مؤمنه، ص. 1401. مقایسه عملکرد مدل‌های هوش مصنوعی با مدل‌ IHACRES در مدل‌سازی جریان حوضه آبریز رودخانه گاماسیاب. مدل‌سازی و مدیریت آب و خاک 2(3)، 1-16. https://doi.org/10.22098/MMWS.2022.9972.1076
ناظری تهرودی، م.، س. ر. هاشمی، ف. احمدی و ز. ناظری تهرودی. 1395. بررسی دقت مدل‌های ANFIS، SVM و GP در مدل‌سازی مقادیر دبی جریان رودخانه. مجله‌ی علمی پژوهشی اکوهیدرولوژی، دوره‌ی 3، شماره‌ی 3، پاییز 1395.
 
Abdi, D.A. and T. Ayenew. 2021. Evaluation of the WEAP model in simulating subbasin hydrology in the Central Rift Valley basin, Ethiopia. Ecological Processes. https://doi.org/10.1186/s13717-021-00305-5
Adnan, R.M., A. Petroselli, S. Heddam, C.A.G. Santos and O. Kisi. 2021. Comparison of different methodologies for rainfall–runoff modeling: Machine learning vs. conceptual approach. Nat. Hazards 2021, 105, 2987–3011. https://doi.org/10.1007/s11069-020-04438-2
Asadi, S., P. Jimeno-Sáez, A. López-Ballesteros and J. Senent-Aparicio. 2024. Comparison and integration of physical and interpretable AI-driven models for rainfall-runoff simulation. ResultsinEngineering24(2024)103048. https://doi.org/10.1016/j.rineng.2024.103048
Bai, Y., N. Bezak, K. Sapac, M. Klun and J. Zhang. 2019. Short-Term Streamflow Forecasting Using the Feature-Enhanced Regression Model. Water Resour. Manag. 33, 4783–4797. https://doi.org/10.1007/s11269-019-02399-1
Fang, W., S. Huang, K. Ren, Q. Huang, G. Huang, G. Cheng and K. Li. 2019. Examining the applicability of different sampling techniques in the development of decomposition-based streamflow forecasting models. Jurnal of Hydrology 568:534–550. https://doi.org/10.1016/j.jhydrol.2018.11.020
Feng, Z.K., W.J. Niu, Z.Y. Tang, Z.Q. Jiang, Y. Xu, Y. Liu and H.R. Zhang. 2020. Monthly runoff time series prediction by variational mode decomposition and support vector machine based on quantum-behaved particle swarm optimization. J Hydrol 583:124627
Gauch, M., F. Kratzert, O. Gilon, H. Gupta, J. Mai, G. Nearing, B. Tolson, S. Hochreiter and D. Klotz. 2023. In Defense of Metrics: Metrics Sufficiently Encode Typical Human Preferences Regarding Hydrological Model Performance. Water Resour. Res. 2023, 59, e2022WR033918. https://doi.org/10.1029/2022WR033918
Gebre, S. L. 2015. Application of the HEC-HMS model for runoff simulation of Upper Blue Nile River Basin. Hydrology: Current Research 6 (2), 1000199. https://doi.org/10.4172/2157-7587.1000199
Gichamo, T., V. Nourani, H. Gökçekuş and G. Gelete. 2024. Ensemble rainfall–runoff modeling of physically based semi-distributed models using multi-source rainfall data fusion. Journal of Water and Climate Change Vol 15 No 2, 325 https://doi.org/10.2166/wcc.2023.084
Ghorbani, M.A., R. Khatibi, A. Goel, M. FazeliFard and A. Azani. 2016. Modeling river discharge time series using support vector machine and artificial neural networks. Environ Earth Sci (2016) 75:685. https://doi.org/10.1007/s12665-016-5435
Herath, H.M.V.V., J. Chadalawada and V. Babovic. 2021. Hydrologically informed machine learning for rainfall–runoff modelling: Towards distributed modelling. Hydrology. Earth System. Sci. 2021, 25, 4373–4401. https://doi.org/10.5194/hess-25-4373-2021
Huang, P.C and K, Tun Lee. 2025. Developing an alternative data-driven model to resemble geomorphologic rainfall-runoff models, Geomatics, Natural Hazards and Risk, 16:1, 2516725, https://doi.org/10.1080/19475705.2025.2516725
Islam, M.R., W.Z.W.·Jaafar, L.S. Hin, N. Osman, A. Hossain and·N.S. Mohd. 2018. Development of an intelligent system based on ANFIS model for predicting soil erosion. Environmental Earth Sciences (2018) 77:186 https://doi.org/10.1007/s12665-018-7348-z
Kao, I.F., Y. Zhou, L.-C. Chang and F.-J. Chang. 2020. Exploring a Long Short-Term Memory based Encoder-Decoder framework for multi-step-ahead flood forecasting. J. Hydrol. 2020, 583, 124631. https://doi.org/10.1016/j.jhydrol.2020.124631
Karami, R., M. Amirabadizadeh, M. Pourreza bilondi, and M. Yaghoobzadeh. 2022. Evaluation of IHACRES models and neural-fuzzy inference system in forecasting the runoff of the Kurit dam catchment in the future period. Integrated Watershed Management, Autumn 2022, 2(3), 82-94 https://doi.org/10.22034/iwm.2022.563130.1046
Mahesh, B. 2020. Machine learning algorithms-a review. Int. J. Sci. Res. 2020, 9, 381–386. https://doi.org/10.21275/ART20203995
Mishra, N., H.K. Soni, S. Sharma and A.K. Upadhyay. 2018. Development and Analysis of Artificial Neural Network Models for Rainfall Prediction by Using Time-Series Data. I.J. Intelligent Systems and Applications, 2018, 1, 16-23.
Mohammadi, B., F. Ahmadi, S. Mehdizadeh and Y. Guan. 2020a. Developing novel robust models to improve the accuracy of daily streamflow modeling. Water Resource Management, 34(10):3387–3409.
Mohammadi, B., Y. Guan, R. Moazenzadeh, M. Jafar and S. Safari. 2020b. Catena implementation of hybrid particle swarm optimization-differential evolution algorithms coupled with multi-layer perceptron for suspended sediment load estimation. Catena 198:105024. https://doi.org/10.1016/j.catena.2020.105024
Mohammadi, B., S. Mehdizadeh, F. Ahmadi, N. Thi and T. Lien. 2020c. Developing hybrid time series and artificial intelligence models for estimating air temperatures. Stoch Environ Res Risk Assess 7. https://doi.org/10.1007/s00477-020-01898-7
Nassery, H. R., N. Zeydalinejad, F. Alijani and A. Shakiba. 2021. A proposed modelling towards the potential impacts of climate change on a semi‑arid, small‑scaled aquifer: a case study of Iran. Environ Monit Assess (2021) 193:182. https://doi.org/10.1007/s10661-021-08955-w.
Nearing, G.S., F. Kratzert, A.K. Sampson, C.S. Pelissier, D. Klotz, J.M. Frame, C. Prieto and H.V. Gupta. 2010. What Role Does Hydrological Science Play in the Age of Machine Learning? Water Resour. Res. 2021, 57, e2020WR028091. https://doi.org/10.1029/2020WR028091
Niu, G.Y., C. Paniconi, P.A. Troch, R.L. Scott, M. Durcik, X. Zeng, T. Huxman and D.C. Goodrich. 2014. An integrated modeling framework of catchment-scale ecohydrological processes: 1. Model description and tests over an energy-limited watershed. Ecohydrology 7(2):427–439. https://doi.org/10.1002/eco.1362
Nourani, V., H. Gökçekuş and T. Gichamo. 2021b. Ensemble data-driven rainfall-runoff modeling using multi-source satellite and gauge rainfall data input fusion. Earth Science Informatics 14 (4), 1787–1808. https://doi.org/10.1007/s12145-021-00615-4
Orellana, B., I. G. Pechlivanidis, N. McIntyre, H. S. Wheater and T. Wagener. 2008 A toolbox for the identification of parsimonious semi distributed rainfall-runoff models: application to the Upper Lee catchment. In: Proceedings of the iEMSs Fourth Biennial Meeting: International Congress on Environmental Modelling and Software (iEMSs 2008).
Ramzi, Kh., M. Nadir, B.M. Tewfik and D.Kh. Hakim. 2024. Hydrological Forecasts Modeling Using Artificial Intelligence and Conceptual Models of KébirRhumel Watershed, Algeria. Ecological Engineering & Environmental Technology 2024, 25(9), 68–80. https://doi.org/10.12912/27197050/190235
Reichstein, M., G. Camps-Valls, B. Stevens, M. Jung, J. Denzler and N. Carvalhais. 2019. Deep learning and process understanding for data-driven Earth system science. Nature 566(7743):195-204. https://doi.org/10.1038/s41586-019-0912-1
Shekar, P. R., A. Mathew, A. Pandey and A. Bhosale. 2023. A comparison of the performance of SWAT and artificial intelligence models for monthly rainfall–runoff analysis in the Peddavagu River Basin, India. Aqua Water Infrastruct. Ecosyst. Soc. 72 (9), 1707–1730. https://doi.org/10.2166/aqua.2023.048
Wang, S., G. Huang, B. Baetz and W. Huang. 2016. Probabilistic inference coupled with possibilistic reasoning for robust estimation of hydrologic parameters and piecewise characterization of interactive uncertainties. J Hydrometeorol 17(4): 1243–1260. https://doi.org/10.1175/JHM-D-15-0131.1
Wen, X., Q. Feng, R.C. Deo, M. Wu, Z. Yin, L. Yang and V.P. Singh. 2019. Two-phase extreme learning machines integrated with the complete ensemble empirical mode decomposition with adaptive noise algorithm for multi-scale runoff prediction problems. J Hydrology 570:167–184
Yates, D., J. Sieber, D. Purkey and A. Huber-Lee. 2005. WEAP21- A Demand, Priority, and Preference-Driven Water Planning Model. Water International, 30(4), pp.487-500.
Yu, H. and Q. Yang. 2024. Applying Machine Learning Methods to Improve Rainfall–Runoff Modeling in Subtropical River Basins. Water 2024, 16, 2199. https://doi.org/10.3390/w16152199