پیش بینی رواناب با استفاده از مدل های جعبه سیاه و خاکستری

در دهه گذشته، یادگیری ماشین یک روش مناسب برای مدل سازی تجربی بارش-رواناب به عنوان یک مکمل مفید برای مدل های هیدرولوژیکی مطرح شده است، به ویژه در حوضه هایی که داده ها برای مدل های داده محور محدود هستند. در این تحقیق از مدل های جعبه سیاه (نروفازی و ماشین بردار پشتیبان) و مدل های جعبه خاکستری (TOPMODEL و HBV) برای شبیه سازی فرآیند بارش-رواناب روزانه در حوضه نوده خاندوز که در رودخانه گرگانرود قرار دارد، استفاده شد و عملکرد آن ها با توجه به دقت پیش بینی رواناب مقایسه گردید. برای مدل های جعبه سیاه، سه سری ورودی شامل دبی، دما و بارندگی در ۹ سناریوی متفاوت بر اساس داده های سری زمانی انتخاب گردید. مقایسه مقادیر میانگین مربعات خطا و ضریب تعیین نشان می دهد مدل نروفازی با دبی تا سه گام زمانی قبل و دمای گام زمانی قبل عملکرد بهتری نسبت به سایر سناریوها دارد. به طور کلی مدل های جعبه سیاه رواناب را در مرحله واسنجی و صحت سنجی با دقت بیشتری نسبت به HBV و TOPMODEL شبیه سازی کرده اند. مقایسه دقیق عملکرد کل مدل ها نشان داد که مدل های نروفازی و ماشین بردار پشتیبان رواناب را در فصل های گرم با دقت کمتری نسبت به فصل های سرد پیش بینی کرده است.