مناطق با اقلیم سرد و کوهستانی به دلیل شرایط خاص اقلیمی به ویژه برف، دارای تفاوتهای هیدرولوژیک نسبت به دیگر مناطق هستند. با توجه به این شرایط، مدلسازی هیدرولوژیک دارای چالشهایی در این مناطق است که این امر لزوم توجه به پارامتر برف را ضروری میسازد. هدف از این مطالعه بررسی قابلیت مدل SWAT (Soil and Water Assessment Tools) در شبیه سازی هیدرولوژیک در محدوده ازنا-الیگودرز واقع در بالا دست حوضه کارون بزرگ و شرق استان لرستان، با اقلیم سرد و کوهستانی و اصلاح ماژول برف آن با استفاده از مدلهای هوش مصنوعی به منظور بهبود شبیهسازی رواناب است. برای انجام این تحقیق، داده های اقلیمی روزانه ایستگاه سینوپتیک الیگودرز برای دوره 1991-2023، داده های دبی ایستگاه آب-سنجی ماربره برای دوره 1991-2023، نقشه های خاک، کاربری اراضی و مدل ارتفاعی رقومی (DEM) منطقه مورد مطالعه استفاده شد. به منظور اصلاح ماژول برف و مدلسازی شاخص آب معادل برف (SWE)، از مدلهای رگرسیون گام به گام، برنامهریزی بیان ژن، دستهبندی گروهی دادهها و رگرسیون بیزین استفاده شد. برای انجام مدلسازی با مدلهای هوشمند، از 70 درصد دادهها برای آموزش و از 30 درصد دادهها برای آزمون مدلها استفاده شد. نتایج شبیه سازی هیدرولوژیک منطقه با استفاده از مدل SWAT، نشان از عملکرد ضعیف مدل به دلیل شبیه سازی ضعیف رواناب تولید شده از ذوب برف، داشت. برای افزایش دقت مدل و واسنجی بهتر آن، دوره واسنجی به فصول گرم و سرد تقسیم شد. در نتیجه، عملکرد مدل بهبود یافت، به طوری که ضریب نش-ساتکلیف (NSE) از 28/0 به 60/0 و ضریب تعیین (R) از 32/0 به 61/0 افزایش یافت. همچنین مدل بعد از حذف اثر برف و استفاده از فصل گرم در مرحله واسنجی، پارامترهای برفی مانندSWE و رواناب ذوب برف رو بهتر از زمانی که از دادههای کل سال استفاده شد شبیهسازی کرد. در ادامه و به منظور دستیابی به یک معادله برای اصلاح مدل، عملکرد مدلهای هوشمند ارزیابی شد. نتایج نشان داد، مدل دستهبندی گروهی دادهها با میزان 99/0=R2 و (mm) 01/0 RMSE =در مرحله آموزش و 99/0=R2 و (mm) 01/0 RMSE= در مرحله آزمون بهترین عملکرد را داشته است. نتایج مرحله مدلسازی SWE با استفاده از روشهای هوشمند نشان داد که معادله حاصل از مدل دسته بندی گروهی دادهها متشکل از دو پارامتر فیزیکی برف (عمق برف و چگالی برف) به عنوان معادله برتر در قالب ضریب اصلاحی برای مرحله بعد استفاده شود. پس از ایجاد تغییرات در ماژول اصلی برف، اقدام به شبیهسازی هیدرولوژیک با مدل اصلاحی شد. نتایج اجرای مدل اصلاحی نشان از بهبود عملکرد این مدل نسبت به مدل اصلی داشت. به طوری که در مرحله واسنجی مقدار NSE از 28/0 به 74/0 و ضریب R از 32/0 به 72/0 افزایش یافت. این تحقیق نشان داد که اصلاح مدل SWAT با استفاده از دادههای واقعی و رویکردهای مبتنی بر هوش مصنوعی میتواند منجربه رفع نواقص این مدل به ویژه در مناطق برف خیز و کوهستانی شود. کاربرد مدل اصلاح شده SWAT در سایر حوضه های آبریز برف گیر با ویژگی های اقلیمی، توپوگرافی و کاربری اراضی متفاوت می-تواند قابلیت تعمیم پذیری نتایج را مورد بررسی قرار دهد.
واژههای کلیدی: آب معادل برف، برف، برنامهریزی بیان ژن، دستهبندی گروهی داده ها، بیزین، SWAT