هادی ثانی خانی

یکی از روش های رایج در بررسی رژیم جریان، مطالعه و بررسی منحنی های تداوم جریان (FDCs) است. منحنی تداوم جریان یکی از بهترین روش ها برای نمایش طیف کاملی از دبی های رودخانه اعم از جریان های کم تا جریان های سیلابی است. چنانچه سنجش جریان رودخانه طی یک دوره آماری طولانی مدت در یک حوزه آبخیز توسط ایستگاه های هیدرومتری انجام شده باشد، منحنی تداوم جریان و رژیم جریان آن را می توان مستقیماً براساس سوابق جریان مشخص نمود اما در بسیاری از نقاط جهان، حوزه های آبخیز فاقد آمار یا دارای آمار ناکافی هستند. از این رو، تهیه منحنی تداوم جریان برای حوضه های فاقد آماری که هیچ داده جریانی در دسترس نباشد، چالش برانگیز است. در این پژوهش منحنی های تداوم جریان 43 ایستگاه هیدرومتری منتخب در حوضه دریاچه ارومیه با طول دوره آماری مشترک دبی روزانه 25 ساله (از سال آبی 74-1373 تا سال آبی 98-1397) و دارای رژیم طبیعی جریان مورد بررسی قرار گرفت تا کارایی روش های هوشمند شبکه عصبی مصنوعی (ANN)، برنامه ریزی بیان ژن (GEP)، درخت تصمیم M5 (M5Tree Model)، رگرسیون تطبیقی چندمتغیره اسپلاین (MARS) و حداقل مربعات ماشین بردار پشیبان (LS-SVM) در پیش بینی منحنی های تداوم جریان برای حوضه های فاقد آمار مورد سنجش قرار داده شود. پس از تهیه منحنی های تداوم جریان برای ایستگاه های هیدرومتری منتخب، دبی های با احتمال وقوع مختلف (شامل Q1، Q5، Q10، Q25، Q50، Q75، Q90، Q95 و Q99) به عنوان متغیرهای وابسته استخراج شدند. همچنین، 41 متغیر فیزیوگرافی و اقلیمی مؤثر بر منحنی های تداوم جریان به عنوان متغیرهای مستقل اولیه استخراج شدند که در نهایت با استفاده از آنالیز همبستگی و روش رگرسیون گام به گام، پنج متغیر شامل شیب میانگین حوضه (Smean)، نسبت بافت زهکشی (TR)، مساحت حوضه (Area)، میانگین بارندگی سالانه (P) و شاخص ناهمواری (RI) به عنوان تأثیرگذارترین متغیرهای مستقل ورودی به مدل های هوشمند انتخاب شدند. این متغیرهای ورودی در قالب پنج الگوی متفاوت ارزیابی شدند. جهت ارزیابی دقت مدل ها، از شاخص های آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، ریشه میانگین مربعات خطای نسبی (RRMSE)، ضریب کارایی نش- ساتکلیف (NSE) و میانگین قدرمطلق خطا (MAE) استفاده شد. مقایسه نتایج بین انواع روش های هوشمند با ملاک قرار دادن دو شاخص ریشه میانگین مربعات خطای نسبی (RRMSE) و ضریب کارایی نش- ساتکلیف (NSE) نشان داد که به طور کلی مدل شبکه عصبی مصنوعی (ANN) به ازای الگوی ورودی V4 (شامل چهار متغیر شیب میانگین حوضه، نسبت بافت زهکشی، مساحت حوضه و میانگین بارندگی سالانه) با محدوده مقادیر شاخص RRMSE بین0.57 تا 1.38 و محدوده مقادیر شاخص NSE برابر 0.23 تا 0.87، نسبت به سایر مدل ها دارای خطای کمتر و ضریب کارایی بالاتری برای پیش بینی دبی های با احتمال وقوع مختلف جهت ترسیم منحنی های تداوم جریان بود.