ترکیب بهینه متغیرها برای شبیه سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما

رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدل­سازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل­سازی رواناب رودخانه حوزه آبخیز امامه می­باشد. برای تعیین بهینه تعداد داده­های مورد نیاز برای مدل­سازی از آزمون m استفاده شد. داده­های بارندگی p(t) و روانابr(t)  در مقیاس روزانه و در طول دوره آماری 1388- 1379 استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تأخیر یک روزه (r(t-1))، دو روزه (r(t-2))، سه روزه (r(t-3)) و چهار روزه (r(t-4))، سری بارندگی روزانه بدون تأخیر زمانی (p(t)) و با تأخیرهای یک روزه (p(t-1))، دو روزه (p(t-2)) و سه روزه (p(t-3)) استفاده شد. مدل­سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش­های شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل p(t)، p(t-1)، p(t-2)، p(t-3)، r(t-1) و r(t-2) بهینه ترکیب متغیرها در مدل­سازی جریان رودخانه حوزه مذکور می­باشند. همچنین با استفاده از خروجی آزمون m تعداد 1405 داده برای بخش آموزش مدل­سازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش رگرسیون خطی محلی llr)) در قسمت آموزش از دقت بالاتری نسبت به روش شبکه­های عصبی مصنوعی برخوردار است، در حالیکه در مرحله  تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار r2 و rmse روش llr در بخش آموزش بترتیب معادل 96/0 و 7/1 بدست آمد.