مناطق با اقليم سرد و كوهستاني به دليل شرايط خاص اقليمي به ويژه برف، داراي تفاوتهاي هيدرولوژيك نسبت به ديگر مناطق هستند. با توجه به اين شرايط، مدلسازي هيدرولوژيك داراي چالشهايي در اين مناطق است كه اين امر لزوم توجه به پارامتر برف را ضروري ميسازد. هدف از اين مطالعه بررسي قابليت مدل SWAT ( Soil Tools Assessment Water an‎d )در شبيهسازي هيدرولوژيك در محدوده ازنا-اليگودرز واقع در باال دست حوضه كارون بزرگ و شرق استان لرستان، با اقليم سرد و كوهستاني و اصالح ماژول برف آن با استفاده از مدلهاي هوش مصنوعي به منظور بهبود شبيهسازي رواناب است. براي انجام اين تحقيق، دادههاي اقليمي روزانه ايستگاه سينوپتيك اليگودرز براي دوره ،2023-1991 دادههاي دبي ايستگاه آبسنجي ماربره براي دوره -1991 ،2023 نقشههاي خاك، كاربري اراضي و مدل ارتفاعي رقومي )DEM )منطقه مورد مطالعه استفاده شد. به منظور اصالح ماژول برف و مدلسازي شاخص آب معادل برف )SWE)، از مدلهاي رگرسيون گام به گام، برنامهريزي بيان ژن، دستهبندي گروهي دادهها و رگرسيون بيزين استفاده شد. براي انجام مدلسازي با مدلهاي هوشمند، از 70 درصد دادهها براي آموزش و از 30 درصد دادهها براي آزمون مدلها استفاده شد. نتايج شبيهسازي هيدرولوژيك منطقه با استفاده از مدل SWAT، نشان از عملكرد ضعيف مدل به دليل شبيهسازي ضعيف رواناب توليد شده از ذوب برف، داشت. براي افزايش دقت مدل و واسنجي بهتر آن، دوره واسنجي به فصول گرم و سرد تقسيم شد. در نتيجه، عملكرد مدل بهبود يافت، به طوري كه ضريب نش-ساتكليف )NSE )از 0/28 به 0/60 و ضريب تعيين )2R )از 0/32 به 0/61 افزايش يافت.همچنين مدل بعد از حذف اثر برف و استفاده از فصل گرم در مرحله واسنجي، پارامترهاي برفي مانند SWE و رواناب ذوب برف رو بهتر از زماني كه از دادههاي كل سال استفاده شد شبيهسازي كرد. در ادامه و به منظور دستيابي به يك معادله براي اصالح مدل، عملكرد مدلهاي R و (mm (0/01 RMSE 2 هوشمند ارزيابي شد. نتايج نشان داد، مدل دستهبندي گروهي دادهها با ميزان 0/99= =در مرحله آموزش و 0/99=R2 و (mm (0/01= RMSE در مرحله آزمون بهترين عملكرد را داشته است. نتايج مرحله مدلسازي SWE با استفاده از روشهاي هوشمند نشان داد كه معادله حاصل از مدل دستهبندي گروهي دادهها متشكل از دو پارامتر فيزيكي برف )عمق برف و چگالي برف( به عنوان معادله برتر در قالب ضريب اصالحي براي مرحله بعد استفاده شود. پس از ايجاد تغييرات در ماژول اصلي برف، اقدام به شبيهسازي هيدرولوژيك با مدل اصالحي شد. نتايج اجراي مدل اصالحي نشان از بهبود عملكرد اين مدل نسبت به مدل اصلي داشت. به طوري كه در مرحله واسنجي مقدار NSE از 0/28 به 0/74 و ضريب 2R از 0/32 به 0/72 افزايش يافت. اين تحقيق نشان داد كه اصالح مدل SWAT با استفاده از دادههاي واقعي و رويكردهاي مبتني بر هوش مصنوعي ميتواند منجربه رفع نواقص اين مدل به ويژه در مناطق برف خيز و كوهستاني شود. كاربرد مدل اصالحشده SWAT در ساير حوضههاي آبريز برفگير با ويژگيهاي اقليمي، توپوگرافي و كاربري اراضي متفاوت ميتواند قابليت تعميمپذيري نتايج را مورد بررسي قرار دهد.

Cold an‎d mountainous regions exhibit unique hydrological characteristics due to specific climatic conditions, especially snow. Snow acts as a water reservoir an‎d plays a crucial role in the timing an‎d volume of runoff. Snow accumulation delays rainfall-induced runoff an‎d, through gradual melting in spring, regulates river flows an‎d recharges both surface an‎d groundwater resources. These conditions present challenges for hydrological modeling in such areas, making the inclusion of snow-related parameters essential. This study aims to eva‎luate the performance of the Soil an‎d Water Assessment Tool (SWAT) in simulating hydrological processes in the Azna–Aligudarz region, located in the upstream of the Greater Karun Basin in eastern Lorestan Province, Iran, characterized by a cold an‎d mountainous climate. The study also seeks to improve SWATʹs snow module using artificial intelligence models to enhance runoff simulation. For this purpose, daily climate data from the Aligudarz synoptic station (1991–2023), discharge data from the Marbareh hydrometric station (1991–2023), as well as soil, lan‎d use, an‎d Digital Elevation Model (DEM) maps were used. To modify the snow module an‎d model Snow Water Equivalent (SWE), four AI-based methods were employed: Stepwise Regression, Gene Expression Programming (GEP), Group Method of Data Han‎dling (GMDH), an‎d Bayesian Regression. Initial SWAT simulations showed poor performance in runoff modeling due to inadequate snowmelt simulation. To assess an‎d improve model performance, calibration was conducted separately for warm an‎d cold seasons. As a result, the Nash–Sutcliffe Efficiency (NSE) improved from 0.28 to 0.60, an‎d the coefficient of determination (R2) increased from 0.32 to 0.61. Subsequently, AI models were eva‎luated to develop a correction equation for the snow module. Results indicated that the GMDH model, using snow depth an‎d density as inputs, achieved the best performance with R2 = 0.99 an‎d RMSE = 0.01 mm in both training an‎d testing stages. After modifying the original snow module, the enhanced model was implemented for hydrological simulation. The results demonstrated improved performance compared to the original SWAT model in both pre- calibration an‎d post-calibration stages. During calibration, NSE increased from 0.28 to 0.74, an‎d R2 from 0.32 to 0.72. This research highlights that modifying the SWAT model using real- world data an‎d AI-based approaches can significantly address its limitations, particularly in snow-dominated mountainous regions. Applying the modified SWAT model in other snow- covered basins with varying climatic, topographic, an‎d lan‎d use characteristics can further test the of the results.

سعيد اسلاميان

محمدهادي بذركار , سعيد اخروي

علي طالبي , شمس اله ايوبي , رضا قضاوي