Эффективность программы MIKE-NAM для моделирования стока с использованием моделей искусственного интеллекта

Введение. 

Возможность моделирования речного стока является важным шагом в процессе гидрологического моделирования и, следовательно, в изучении водного баланса. Цель исследования — проверка способности и надежности программы MIKE 11 NAM в моделировании стока в верхней части бассейна р. Оронт в Сирии с использованием моделей искусственного интеллекта.

Материалы и методы. 

Использованы модели искусственных нейронных сетей (ИНС) и модели нечеткого логического вывода (НЛВ), которые сравнивались друг с другом для определения лучшей модели с целью «заполнения пробелов» в сведениях о поверхностном стоке на станциях наблюдения Аль-Джавадия и Аль-Амири. Полученные выходные данные применены в процессе моделирования с помощью программы MIKE 11 NAM.

Результаты. 

Определили высокую эффективность моделей искусственного интеллекта как нейронных сетей, так и модели НЛВ, с некоторым предпочтением нейронных сетей. Использование полученных результатов в качестве входных данных для моделирования стока в программе MIKE показало, что существуют большие различия между наблюдаемыми и смоделированными значениями, по-видимому, из-за ограниченности исходной информации
на исследуемой территории речного бассейна.

Выводы. 

Рекомендовано продолжить исследование эффективности математических моделей формирования стока в условиях недостаточности и ограниченности исходной информации с целью поиска наилучшего способа решения этой проблемы.

1. Биденко С.И., Храмов И.С., Шилин М.Б. Оценка территориальной ситуации с использованием искусственных нейронных сетей // Ученые записки РГГМУ. 2019. № 54. С. 109–123. DOI: 10.33933/2074-2762-2019-54-109-123

2. Гордеева С.М., Малинин В.Н. Использование Data Mining в задаче гидрометеорологического прогнозирования // Ученые записки РГГМУ. 2016. № 44. С. 30–44.

3. Гордеева С.М., Малинин В.Н. О предвычислении годового стока крупных рек Европейской части России на основе метода деревьев решений (decision trees) // Ученые записки РГГМУ. 2018. № 50. С. 53–65.

4. Зеленцов В.А., Потрясаев С.А., Пиманов И.Ю., Пономаренко М.Р. Автоматизация мониторинга и комплексного моделирования гидрологической обстановки в бассейнах рек // Ученые записки РГГМУ. 2019. № 55. С. 74–85. DOI: 10.33933/2074-2762-2019-55-74-85

5. Карапетян Т.А. Использование искусственных нейронных сетей для оценки и прогнозирования речных стоков // Молодой ученый. 2019. № 19 (257). С. 29–33.

6. Шитиков В.К., Зинченко Т.Д., Головатюк Л.В. Нейросетевые методы оценки качества поверхностных вод по гидробиологическим показателям // Известия Самарского научного центра Российской академии наук. 2002. Т. 4. № 2. С. 280–289.

7. Mahabir C., Hicks F.E., Fayek A.R. Application of fuzzy logic to forecast seasonal runoff // Hydrological Processes. 2003. Vol. 17. Issue 18. Pp. 3749–3762. DOI: 10.1002/hyp.1359

8. Şen Z., Altunkaynak A. A comparative fuzzy logic approach to runoff coefficient and runoff estimation // Hydrological Processes. 2006. Vol. 20. Issue 9. Pp. 1993–2009. DOI: 10.1002/hyp.5992

9. Lohani A.K., Goel N.K., Bhatia K.K.S. Comparative study of neural network, fuzzy logic and linear transfer function techniques in daily rainfall-runoff modelling under different input domains // Hydrological Processes. 2011. Vol. 25. Issue 2. Pp. 175–193. DOI: 10.1002/hyp.7831

10. Tayfur G., Singh V.P. ANN and Fuzzy Logic Models for Simulating Event-Based Rainfall-Runoff // Journal of Hydraulic Engineering. 2006. Vol. 132. Issue 12. Pp. 1321–1330. DOI: 10.1061/(asce)0733-9429(2006)132:12(1321)

11. Wang K.H., Altunkaynak A. Comparative Case Study of Rainfall-Runoff Modeling between SWMM and Fuzzy Logic Approach // Journal of Hydrologic Engineering. 2012. Vol. 17. Issue 2. Pp. 283–291. DOI: 10.1061/(asce)he.1943-5584.0000419

12. Saade J., Atieh M., Ghanimeh S., Golmohammadi G. Modeling Impact of climate change on Surface Water Availability Using SWAT Model in a Semi-Arid Basin: Case of El Kalb River, Lebanon // Hydrology. 2021. Vol. 8. Issue 3. P. 134. DOI: 10.3390/hydrology8030134

13. Haddad A., Remini B. Extreme rainfall-runoff events modeling by HEC-HMS model for Koudiet Rosfa Watershed, Algeria // GeoScience Engineering. 2021. Vol. 67. Issue 4. Pp. 144–155. DOI: 10.35180/gse-2021-0060

14. Hamdan A.N.A., Almuktar S., Scholz M. Rainfall-Runoff modeling using the HEC-HMS Model for the Al-Adhaim river catchment, Northern Iraq // Hydrology. 2021. Vol. 8. Issue 2. P. 58. DOI: 10.3390/hydrology8020058

15. Tan K.M., Seow W.K., Wang C.L., Kew H.J., Parasuraman S.B. Evaluation of performance of Active, Beautiful and Clean (ABC) on stormwater runoff management using MIKE URBAN: a case study in a residential estate in Singapore // Urban Water Journal. 2019. Vol. 16. Issue 2. Pp. 156–162. DOI: 10.1080/1573062X.2019.1634744

16. Гебрехивот A.A., Козлов Д.В. Оценка применимости гидрологического модуля MIKE 11-NAM для моделирования дождевого стока в малоизученном речном бассейне // Вестник МГСУ. 2020. Т. 15. № 7. С. 1030–1046. DOI: 10.22227/1997-0935.2020.7.1030-1046

17. Aredo M.R., Hatiye S.D., Pingale S.M. Modeling the rainfall-runoff using MIKE 11 NAM model in Shaya catchment, Ethiopia // Modeling Earth Systems and Environment. 2021. Vol. 7. Issue 4. Pp. 2545–2551. DOI: 10.1007/s40808-020-01054-8

18. Ghosh A., Roy M.B., Roy P.K. Evaluating the performance of MIKE NAM model on rainfall–runoff in lower Gangetic floodplain, West Bengal, India // Modeling Earth Systems and Environment. 2022. Vol. 8. Issue 3. Pp. 4001–4017. DOI: 10.1007/s40808-021-01347-6

19. Shamsudin S., Hashim N. Rainfall runoff simulation using MIKE11 NAM // Journal Kejuruteraan Awam (Journal of Civil Engineering). 2002. Vol. 15. Issue 2.

20. Issa M. The relationship between river flow and precipitation in the Orontes Basin // Damascus University Journal. 2015. Vol. 31. Issue 2.

21. Hamdan Y., Layos E., Mohammed I. Identify indicators of climate change through the analysis of the amount of rain on upper basin for Orontes River // Al-Baath University Journal. 2017. Vol. 39. Issue 43.

22. Chen S.M., Wang Y.M., Tsou I. Using artificial neural network approach for modelling rainfall–runoff due to typhoon // Journal of Earth System Science. 2013. Vol. 122. Issue 2. Pp. 399–405. DOI: 10.1007/s12040-013-0289-8

23. Nourani V., Gokcekus H., Gelete G. Estimation of suspended sediment load using artificial intelligence-based ensemble model // Complexity. 2021. Vol. 2021. Pp. 1–19. DOI: 10.1155/2021/6633760