پیش‌بینی رواناب با استفاده از مدل‌های جعبه سیاه و خاکستری

در دهه گذشته، یادگیری ماشین یک روش مناسب برای مدل‌سازی تجربی بارش-رواناب به عنوان یک مکمل مفید برای مدل‌های هیدرولوژیکی مطرح شده است، به ویژه در حوضه‌هایی که داده‌ها برای مدل‌های داده محور محدود هستند. در این تحقیق از مدل‌های 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 آن‌ها با توجه به دقت پیش‌بینی رواناب مقایسه گردید. برای مدل های جعبه سیاه، سه سری ورودی شامل دبی، دما و بارندگی در 9 سناریوی متفاوت بر اساس داده‌های سری زمانی انتخاب گردید. مقایسه مقادیر میانگین مربعات خطا و ضریب تعیین نشان می‌دهد مدل نروفازی با دبی تا سه گام زمانی قبل و دمای گام زمانی قبل عملکرد بهتری نسبت به سایر سناریوها دارد. به طور کلی مدل‌های جعبه سیاه رواناب را در مرحله واسنجی و صحت‌سنجی با دقت بیشتری نسبت به HBV و TOPMODEL شبیه‌سازی کرده‌اند. مقایسه دقیق عملکرد کل مدل‌ها نشان داد که مدل‌های نروفازی و ماشین بردار پشتیبان رواناب را در فصل‌های گرم با دقت کمتری نسبت به فصل‌های سرد پیش بینی کرده است.