| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,260 |
| تعداد مقالات | 36,032 |
| تعداد مشاهده مقاله | 55,066,705 |
| تعداد دریافت فایل اصل مقاله | 94,086,263 |
ارزیابی مدل تلفیقی هوشمند (Cat-XG)Boost به‌منظور پیش‌بینی رواناب، مطالعه موردی: حوزه‌آبخیز کرج | ||
| مهندسی و مدیریت آبخیز | ||
| دوره 18، شماره 3، مهر 1405، صفحه 420-438 اصل مقاله (1.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.371813.2147 | ||
| نویسندگان | ||
| رامتین طاوسی راد1؛ محمد انصاری قوجقار* 2؛ آرش ملکیان3 | ||
| 1دانشجوی کارشناسی ارشد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3استاد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| مقدمه پیش‌بینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامه‌ریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرایندهای هیدرولوژیک، استفاده از روش‌های داده‌محور و الگوریتم‌های یادگیری ماشین در سال‌های اخیر به رویکردی کارآمد برای تحلیل و مدلسازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، CatBoost و مدل هیبریدی Boost(Cat-XG) به‌منظور پیش‌بینیِ روانابِ حوزه آبخیز کرج مورد ارزیابی قرار گرفتند. مطالعات اندکی به مقایسه این دو الگوریتم و ارائه یک ترکیب هیبریدیِ هوشمند در سطح ماهانه پرداخته‌اند. پژوهش حاضر ضمن پر کردن این شکاف پژوهشی می‌تواند راهنمایی عملی برای برنامه‌ریزان منابع آب و سامانه‌های هشدارِ مدیریت منابع در شرایط تغییر اقلیم فراهم کند. مواد و روش‌ها در پژوهش حاضر، کارایی دو مدل پرکاربرد انفرادیِ یادگیری عمیق شامل CatBoost، XGBoost و یک مدل هیبریدیِ نوین تحت عنوان (Cat-XG)Boost در پیش‌بینی رواناب ماهانه حوزه‌آبخیز کرج ارزیابی شد. برای این منظور، داده‌های دبی متوسط ماهانه پنج ایستگاه هیدرومتری گچسر، سیرا-کلوان، سیرا-کرج، نشتارود و پل خواب دورود به‌ترتیب میانگین دبی بیشینه ماهانه 17.22، 16.56، 12.11، 0.36 و 0.28 در حوزه آبخیز کرج طی دوره آماری بلندمدت 30 ساله (1371-1400) به‌عنوان ورودی مدل‌ها مورد استفاده قرار گرفت. را به ثبت رساندند. پس از انجام فرایندهای پیش‌پردازش، نرمال‌سازی، حذف داده‌های پرت، بررسی ایستایی و تبدیل ورودی‌ها به‌عنوان ورودی، مدل‌ها مورد استفاده قرار گرفت. مدل‌ها با 4 معیار ارزیابی NS، R، RMSE و MAE سنجیده شدند. پیش‌بینی‌های مدل‌های مورد پژوهش در چهار حالت به ثبت رسید. حالت نخست، دبی متوسط سه ماه گذشته به‌عنوان ورودی مدل در نظر گرفته شد. در سناریوی دوم، دبی متوسط شش ماه قبل وارد مدل شد. سناریوی سوم با استفاده از سه فصل تأخیر متوالی (نه ماه) دبی متوسط ماهانه طراحی شد. سناریوی چهارم شامل یک سال وقفه زمانی متوالی بوده است. نتایج و بحث نتایج پیش‌بینی‌ها نشان داد که مدل هیبریدی (Cat-XG)Boost با اختلاف قابل‌توجهی بهترین عملکرد را در پیش‌بینی رواناب ماهانه حوزه آبخیز کرج نسبت به دو مدل انفرادی مورد ارزیابی ارائه می‌دهد. این مدل در تمامی ایستگاه‌های مورد بررسی NS بالای 0.957، همبستگی بالای 0.939 به ثبت رساند. همچنین این مدل با اختلاف بسیار، خطاهای کمتری نسبت به دو مدل دیگر ثبت کرد. مقدار RMSE به‌ثبت رسیده برای این مدل در ایستگاه‌های با مقدار داده‌های فراوان‌تر نسبت به سایر ایستگاه‌ها، بیشتر بوده و بین اعداد 1.057 و 1.517 قرار دارد. مقدار خطاهای ثبت شده به نسبت دو مدل دیگر که خطاهای بالای پنج را ثبت نمودند، عملکرد مثبت مدل هیبریدی پیشنهادی را نشان می‌دهد. اما در ایستگاه‌های با داده‌های کمتر، مقادیر کمی از خطا و در محدوده‌های 0.027 تا 0.037 برآورد شده است. همچنین مقادیر MAE ثبت شده برای مدل هیبریدی پیشنهادی نشان می‌دهد که مقادیر به‌دست آمده مشابه مقادیر محاسبه شده برای RMSE، بین محدوده 0.09 برای ایستگاه‌های با مقدار داده‌های ثبت شده کمتر و 1.454 برای ایستگاه‌های با مقدار داده ثبت شده بیشتر محاسبه شده است. درحالی‌که مدل‌هایِ انفرادیِ XGBoost و CatBoost به‌ویژه در ایستگاه‌های با داده‌های گسترده‌تر با افزایش خطا به مقدار بالای هفت مواجه شدند. تحلیل نمودارهای همبستگی نیز نشان داد که مدل تلفیقی بیشترین انطباق را با مقادیر واقعی داشته و الگوهای پیچیده رواناب را با دقت بالاتری مورد شناسایی قرار داده است. نتایج به‌دست آمده از پژوهش حاضر با مطالعات بین‌المللی نیز همخوانی داشت. دو مدل انفرادی مورد پژوهش عملکرد متوسط در پیش‌بینی مقادیر مرتبط با وقایع حدی اقلیمی ارائه کردند اما با ترکیب دو مدل انفرادی و معرفی مدل هیبریدی Boost(Cat-XG)، عیوب موجود در مدل‌های انفرادی پوشیده شده و همچنین با رفع خطاهای موجود، پیش‌بینی‌های بسیار دقیق‌تری به ثبت رسید. نتیجه‌گیری نتایج پژوهش حاضر بیان‌گر آن است که مدل هیبریدی (Cat-XG)Boost می‌تواند به‌عنوان ابزاری قدرتمند برای پیش‌بینیِ رواناب در حوضه‌های کوهستانی و حساس به تغییر اقلیم به‌کار گرفته شود و به‌منظور توسعه سامانه‌هایِ هشدارِ سریع، مدیریت مخازن و برنامه‌ریزیِ راهبردیِ منابع آب نقش مؤثری ایفاء کند. نتایج به‌دست آمده نشان داد که مدل هیبریدیِ پیشنهادی، بهترین خروجی‌ها را به‌ثبت رساند. در تمامی ایستگاه‌های مورد مطالعه، مقدار NS بالای 0.951 و همبستگی بالای 0.939 ثبت شد. همچنین، این مدل به‌طور محسوسی، مقادیر خطای MAE و RMSE را کاهش داد. در سه ایستگاه گچسر، سیرا-کلون و سیرا کرج که بیشترین مقادیر داده‌ای را دارا بودند، خطای بیشتری به نسبت سه ایستگاه دیگر به‌ثبت رسید. خطای ثبت شده بالاتر سه ایستگاه ذکر شده به‌دلیل میزان بالاتر نوسانات دبی بیشینه ماهانه این ایستگاه‌ها بوده که باعث ثبت خطاها در اعداد بزرگ‌تر شده است. یافته‌های پژوهش حاضر تأیید می‌کند که رویکردهای ترکیبی در مواجهه با داده‌های پیچیده هیدرولوژیک، مزیت قابل‌توجهی نسبت به مدل‌های انفرادی دارند. از این مدل می‌توان به‌عنوان ابزاری سودمند در مطالعات مدیریت منابع آب، پیش‌بینی خشکسالی و سیلاب‌های فصلی و ارائه سناریوهای تصمیم‌گیری در سطوح حوضه‌ای مورد استفاده نمود. | ||
| کلیدواژه‌ها | ||
| الگوریتم فراکاوشی؛ حوضه‌های کوهستانی؛ کنترل سیلاب؛ مدیریت منابع آب؛ یادگیریِ عمیق | ||
| عنوان مقاله [English] | ||
| Evaluation of the intelligent model (Cat-XG)boost for runoff prediction, case study: Karaj Watershed | ||
| نویسندگان [English] | ||
| Ramtin Tavoosi Rad1؛ Mohamad Ansari ghojghar2؛ Arash Malekian3 | ||
| 1Master Candidate, Department of Reclamation of Arid and Mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Assistant Professor, Department of Reclamation of Arid and Mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Professor, Department of Reclamation of Arid and Mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Introduction Accurate runoff prediction plays a crucial role in water resource management, flood control and climate change adaptation planning. Given the nonlinear, complex and multifactorial nature of hydrological processes, the use of data-driven methods and machine learning algorithms has become an efficient approach for runoff analysis and modeling in recent years. Two individual models, XGBoost, CatBoost and a hybrid model of this two single models, (Cat-XG)Boost were evaluated to predict runoff in the Karaj watershed. Few studies have compared these two algorithms and presented an intelligent hybrid combination at the monthly level.While filling this research gap the present study can provide practical guidance for water resource planners and resource management warning systems in climate change conditions. Materials and method In the present study, the efficiency of two widely used individual deep learning models, including CatBoost, XGBoost and a novel hybrid model called (Cat-XG)Boost were evaluated in predicting monthly runoff in the Karaj watershed. For this purpose, monthly average discharge data from five hydrometric stations of Gachsara, Sira-Kaloan, Sira-Karaj, Neshtarud and Pol-e-Khab Dorud with maximum monthly average discharge of 17.22, 16.56, 12.11, 0.36 and 0.28, respectively, in the Karaj watershed during the long-term statistical period of 30 years (1371-1400) were used as model inputs. After performing preprocessing, normalization, outlier removal, stationarity check and input transformation processes, the models were used as inputs. The models were measured with 4 evaluation criteria NS, R, RMSE and MAE. The predictions of the studied models were recorded in 4 states. First, the average discharge of the past 3 months was considered as the model input. In the second scenario, the average discharge of the 6 months before was entered into the model. The third scenario was designed using three consecutive delay seasons (9 months) of monthly average discharge. The fourth scenario included a year of consecutive time lag. Results and discussion The prediction results showed that the hybrid model (Cat-XG)Boost with a significant difference provides the best performance in predicting monthly runoff of the Karaj watershed compared to the two individual models evaluated. This model recorded NS above 0.957 and correlation above 0.939 in all stations studied. In addition, it recorded significantly fewer errors than the other two models. While the individual models XGBoost and CatBoost, especially in stations with more extensive data, faced increased errors. Analysis of correlation diagrams also showed that the integrated model had the highest agreement with the actual values and identified complex runoff patterns with higher accuracy. The results obtained from the present study were also consistent with international studies. The two individual models studied provided average performance in predicting values related to extreme climate events but by combining the two individual models and introducing the hybrid model Boost(Cat-XG), the defects in the individual models were covered and also by eliminating existing errors, much more accurate predictions were recorded. Conclusion The results of the present study indicate that the hybrid model (Cat-XG)Boost can be used as a powerful tool for runoff prediction in mountainous and climate change-sensitive basins and play an effective role in the development of rapid warning systems, reservoir management and strategic water resource planning. The findings of the present study confirm that combined approaches in the face of complex hydrological data have a significant advantage over single models. This model can be used as a useful tool in water resource management studies, prediction of drought and seasonal floods and presentation of decision-making scenarios at the basin level. | ||
| کلیدواژه‌ها [English] | ||
| Flood control, Deep learning, Metaheuristic algorithm, Mountainous basins, Water resource management | ||
| مراجع | ||
|
Aghajanzadeh Saraskanroud, M., Behmanesh, J., Rezaie, H., Azad, N., 2020. Prediction of Zarrinehrud River run-off in the climate change condition using artificial neural networks. J. Water. Manage. Res. 11(22), 20-30 (in Persian). Alipour, M., Hosseini, M., 2018. Simulation of surface runoff in Karaj dam basin, Iran. Appl. Water Sci. 8(147) (in Persian). Ansari ghojghar, M., Pourmohammad, P., 2025. Comparative analysis of dust storm frequency modeling using the XGBoost machine learning model and the element-free galerkin method, case study: Ilam Province. Iran. J. Soil Water Res. 56(6), 1421-1436 (in Persian). doi: 10.22059/ijswr.2025.392122.669904 Francisco, R., Matos, L.P., Marinheiro, R., Lopes, N., Portela, M.M., Barros, P., 2025. Application of temporal fusion transformers to run-of-the-river hydropower scheduling. Hydrol. 12(81). https://doi.org/10.3390/hydrology12040081 Guerrera, K., Rieksts, B., 2022. CATBOOST models for the recidivism forecasting challenge. NCJRS. Hameed, M.M., Masood, A., hamid, A., Elbeltagi, A., Razali, S.F.M., 2025. Forecasting monthly runoff in a glacierized catchment: A comparison of extreme gradient boosting (XGBoost) and deep learning models. PLOS ONE 20(5), e0321008. https://doi.org/10.1371/journal.pone.0321008 Ji, W., Cao, Z., Li, X., 2023. Multi-task learning and temporal-fusion-transformer-based forecasting of building power consumption. Electron. 12, 4656. https://doi.org/10.3390/ electronics12224656 Kumar, V., Kedam, N., Sharma, K.V., Mehta, D.J., Caloiero, T., 2023. Advanced machine learning techniques to improve hydrological prediction: a comparative analysis of streamflow prediction models. Water 15(14), 2572. https://doi.org/10.3390/w15142572 Levent, İ., Şahin, G., Işık, G., van Sark, W.G.J.H.M., 2025. Comparative analysis of advanced machine learning regression models with advanced artificial intelligence techniques to predict rooftop PV solar power plant efficiency using indoor solar panel parameters. Appli. Sci. 15(6), 3320. https://doi.org/10.3390/app15063320 Ni, L., Wang, D., Wu, J., Wang, Y., Tao, Y., Zhang, J., Liu, J., 2020. Streamflow forecasting using extreme gradient boosting model coupled with Gaussian mixture model. J. Hydrol. 586, 124901, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2020.124901 Liu, Y., Yang, T., Tian, L., Huang, B., Yang, J., Zeng, Z., 2024. Ada-XG-CatBoost: A combined forecasting model for Gross Ecosystem Product (GEP) prediction. Sustain. 16(16), 7203. https://doi.org/10.3390/su16167203 Niazkar, M., Menapace, A., Brentan, B., Piraei, R., Jimenez, D., Dhawan, P., Righetti, M., 2024. Applications of XGBoost in water resources engineering: A systematic literature review. Environ. Modell. Soft. 174, 105971, ISSN 1364-8152, https://doi.org/10.1016/j.envsoft.2024.105971. Mirzahoseini, A., 2025. Using artificial intelligence in predicting the permeability of geotechnical soils for groundwater resource management. 11th International Conference on Civil Engineering, Architecture and Urban Planning (in Persian). https://civilica.com/doc/2432355 Nash, J.E., Sutcliffe, J.V., 1970. River flow forecasting through conceptual models part I: A discussion of principles. J. Hydrol. 10(3), 282–290. https://doi.org/10.1016/0022-1694(70)90255-6 Nazari Cheragh Tape, S., Ansari ghojghar, M., Malekian, A., Ghadimi, M., 2026. Comparison of Box-Jenkins models with machine learning algorithms for streamflow yield modeling, case study: Taleghan Watershed. Iran. J. Soil Water Res. 56(11), 3009-3026 (in Persian). doi: 10.22059/ijswr.2025.403797.670025 panjehkoobi, P., Masoudian, A., Qangherme, A., 2019. Calculating basin runoff coefficient using weather radar, case study: Baghu Basin. Sci.-Res. Quart. Geograph. Data (SEPEHR). 28(110), 209-224 (in Persian). doi:10.22131/sepehr.2019.36624 Prokhorenkova, M., Gusev, G., Vorobev, A., Dorogush, A.V., Gulin, A., 2018. CatBoost: unbiased boosting with categorical features. 32nd Conference on Neural Information Processing Systems, Montréal, Canada. Sadeghraimoghaddam, H., 2022. shared bike demand prediction by using metro and bike sharing networks’ features. In Partial Fulfillment of The Requirements for The Degree of Master of Science in Architecture, Building and Planning, Track Sustainable Urban Mobility Transitions, Eindhoven University of Technology. Seifi Majdar, R., Rahnamaei, A., Babazadeh, V., 2025. Hybrid machine learning in hydrological runoff forecasting: An exploration of extreme gradient-boosting and categorical gradient boosting optimization in the Russian River Basin. Advance. Engin. Intelli. System. 004(02), 104-120. doi: 10.22034/aeis.2025.509199.1293 Shaw, R., 2023. All-stage machine learning-driven B2B sales predictor. Master’s Thesis, Vrije Universiteit Amsterdam and Universiteit van Amsterdam. Szczepanek, R., 2022. Daily streamflow forecasting in mountainous catchment using XGBoost, LightGBM and CatBoost. Hydrol. 9(12), 226. https://doi.org/10.3390/hydrology9120226 Wang, D., Qian, H., 2023. CatBoost-Based automatic classification study of river network. ISPRS Int. J. Geo-Inform. 12(10), 416. https://doi.org/10.3390/ijgi12100416 | ||
|
آمار تعداد مشاهده مقاله: 241 تعداد دریافت فایل اصل مقاله: 54 |
||