Анализ и моделирование стока реки Оронтес (Эль-Аси) в условиях недостаточного информационного обеспечения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Слейман Алаа

• Слейман Алаа
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Слейман Алаа

ВВЕДЕНИЕ

ГЛАВА 1. ПРОБЛЕМЫ РАСЧЕТА И МОДЕЛИРОВАНИЯ РЕЧНОГО СТОКА НА ВОДОСБОРАХ, ХАРАКТЕРИЗУЮЩИХСЯ СЛАБОЙ ГИДРОМЕТЕОРОЛОГИЧЕСКОЙ ИЗУЧЕННОСТЬЮ

1.1. Актуальность проблемы инженерной гидрологии

1.2. Моделирование гидрологических систем

1.3. Изучение и моделирование стока

1.3.1. Изучение стока с использованием моделей ARIMA

1.3.2. Изучение стока с использованием моделей искусственного интеллекта

1.3.2.1. Изучение стока с использованием искусственных нейронных сетей

1.3.2.2. Изучение стока с использованием моделей нечеткой логики

1.3.3. Моделирование стока с использованием имитационных математических моделей и вычислительных комплексов

1.4. Методы, используемые в районах, климатически схожих с бассейном реки Оронтес в Сирии

1.5. Предыдущие гидрологические исследования в Сирии, в том числе в пределах исследуемого объекта

Выводы по главе

ГЛАВА 2. БАССЕЙН ВЕРХНЕГО ОРОНТЕСА КАК ОБЬЕКТ ИССЛЕДОВАНИЯ. ОЦЕНКА УСТОЙЧИВОГО ИСПОЛЬЗОВАНИЯ ВОДНЫХ РЕСУРСОВ

2.1. Общие сведенияо речном бассейне

2.2. Природно-климатические, гидрологические, гидрогеологические и водохозяйственные условия в бассейне реки Оронтес

2.2.1. Климатические условия бассейна

2.2.2. Гидрографическая сеть бассейна. Гидрологические условия и характеристики

2.2.3. Изменчивость годового стока

2.2.4. Подземные воды бассейна

2.2.5. Использование и управление водными ресурсами в бассейне р. Оронтес

2.3. Верхняя часть бассейна Оронтес

2.3.1. Суббассейны Верхнего Оронтеса

2.3.2. Информация о наблюденных значениях речного стока, осадках, испарении и температуры воздуха

2.3.3. Сеть оросительных каналов в верховьях Оронтеса

2.4. SWOT-анализ развития водохозяйственной системы в бассейне Верхнего Оронтеса

Выводы по Главе

ГЛАВА 3. ПРОГНОЗИРОВАНИЕ РЕЧНОГО СТОКА НА ВОДОСБОРЕ С НЕДОСТАТОЧНЫМ ИНФОРМАЦИОННЫМ ОБЕСПЕЧЕНИЕМ С ИСПОЛЬЗОВАНИЕМ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ

3.1 Гибридные модели в области методов машинного обучения

3.2. Временные ряды. Метод авторегрессионного интегрированного скользящего среднего (АИМА)

3.3. Расчеты речного стока на гидрометрической станции Аль- Джавадия с использованием модели АММА

3.4. Методы искусственного интеллекта

3.4.1. Метод искусственных нейронных сетей

3.4.1.1. Краткий обзор искусственных нейронных сетей

3.4.1.2. Сравнение биологических и искусственных нейронных сетей

3.4.1.3. Определение искусственных нейронных сетей

3.4.1.4. Компоненты искусственных нейронных сетей

3.4.1.6. Этапы работы искусственного нейрона

3.4.1.7. Функции активации

3.4.1.8 Типы искусственных нейронных сетей

3.4.1.9. Алгоритмы обучения в искусственных нейронных сетях

3.4.1.10. Нейронные сети с прямой подачей и обратным распространением ошибок

3.4.2. Нормализация данных

3.4.3. Система нечеткого вывода

3.4.3.1 Ненадежные (нечеткие) знания

3.4.3.2. Понятие нечеткого множества

3.4.3.3. Этапы построения нечеткой модели

3.4.3.4. Функции принадлежности, используемые в системе нечеткого вывода

3.4.3.5. Операции над нечеткими группами

3.4.3.6. Логический вывод в нечётких системах

3.4.4. Оценка эффективности моделей

3.4.5. Оценка данных о стоке на гидрометрической станции Аль-Амири

3.4.5.1. Расчеты речного стока на гидрометрической станции Аль-Амири с использованием метода искусственных нейронных сетей

3.4.5.2. Расчеты речного стока на гидрометрической станции Аль-Амири с использованием метода системы нечеткого вывода

3.4.5.3. Сравнение между моделями ИНС (ANN) и СНВ (FIS) на гидрометрической станции Аль-Амири

3.4.6 Оценка данных о стоке на гидрометрической станции Аль-Джавадия

3.4.6.1. Расчеты речного стока на гидрометрической станции Аль-Джавадия с использованием метода искусственных нейронных сетей

3.4.6.2. Расчеты речного стока на гидрометрической станции Аль- Джавадия с использованием метода системы нечеткого вывода

3.4.6.3. Сравнение между моделями ИНС (ANN) и СНВ (FIS) на гидрометрической станции Аль-Джавадия

3.4.7. Разработка программного приложения (пользовательского интерфейса) для оценки поверхностного стока висследуемом речном бассейне

Выводы по главе

ГЛАВА 4. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ РЕЧНОГО СТОКА В УСЛОВЯХ НЕДОСТАТОЧНОГО ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ

4.1. Математические модели речного стока

4.2. Математическое моделирование речного стока с использованием модели MIKE 11 NAM

4.2.1. MIKE 11 NAM.Общие сведения

4.2.2. Требования к исходным данным

4.2.2.1. Метеорологические данные

4.2.2.2. Гидрологические данные

4.2.3. Структура модели

4.2.4. Калибровка модели

4.2.4.1. Цели калибровки и меры оценки

4.2.4.2. Ручная калибровка

4.2.4.3. Автоматическая система калибровки

4.2.5. Оценка эффективности модели MIKE 11 NAM для моделирования стока вбассейне реки Верхний Оронтес в Сирии

4.3. Математическое моделирование речного стока с использованием модели «Аналог» ПК «Гидрорасчеты»

4.3.1. Структура системы управления Базами данных «ГИДРОРАСЧЕТЫ»

4.3.2. Программа «АНАЛОГ»

4.3.3. Расчеты речного стока на гидрометрической станции Аль-Джавадия с использованием программного комплекса «Гидрорасчеты»

4.4. Современный водохозяйственный баланс для расчетного водохозяйственного участка реки Верхний Оронтес

4.5. Практическая значимость использования моделей прогнозирования стокадля водосборов с недостаточным информационным обеспечением

Выводы по главе

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Временной ряд речного стокана гидрометрической станции Аль-Джавадияи Аль-Амири

ПРИЛОЖЕНИЕ Б Временной ряд речного стокана гидрометрической станции Аль-Джавадияи Аль-Амири, после оценки недостающих значений с помощью моделей искусственных нейронных сетей

ПРИЛОЖЕНИЕ В Перечень публикаций и выступлений с докладами по теме научно -квалификационной работы (диссертации)

ВВЕДЕНИЕ

Актуальность темы исследования. Системы компьютерной математики, статистического анализа, различные программно-информационные комплексы все чаще применяются в инженерной гидрологии для улучшения обработки и анализа исходной информации (например, временных рядов гидрологических данных), используемой в качестве входной основы для принятия решений или в качестве базы данных для оценки, изучения или прогнозирования гидрологических явлений и процессов в бассейнах рек. При обработке рядов наблюдений актуальной становится задача обнаружения пробелов в данных и ошибочных измерений, поскольку использование результатов наблюдений требует, чтобы временной гидрологический ряд был длительным, непрерывным, однородным и не содержал пустот, сбоев и пропущенных значений, которыми нельзя пренебрегать из-за важности любых изменений данных временного ряда. Кроме того, для решения прикладных задач в области проектирования и расчетного обоснования гидротехнических сооружений (ГТС) также необходимо иметь достаточно полные и надежные сведения о гидрологических характеристиках и режиме водных объектов, в том числе, в многолетнем разрезе.

При решении указанных выше различных исследовательских и практических вопросов исключительно важной становится роль качественных гидрологических данных. А значит поиск и обоснование эффективных способов оценки, моделирования и восстановления временных рядов речного стока с наименьшими усилиями и минимальным уровнем ошибок является актуальным вопросом инженерной гидрологии, направленным на решение задачи расчета речного стока с водосборов, характеризующихся слабой гидрометеорологической изученностью и недостаточным информационным обеспечением. К таким водосборам относится значительное число бассейнов в Сирийской Арабской Республике (САР), в том числе реки Оронтес (Эль-Аси). Общественно-политические и хозяйственно-экономические события, произошедшие в стране в период гражданской войны 2010-ых годов, привели к потере многих важных данных о водных ресурсах и их использовании, нарушениям бесперебойной работы системы инструментальных наблюдений и мониторинга за водными объектами, в целом к проблемам управления водными ресурсами в регионе.

Поэтому анализ и моделирование стока реки Оронтес (Эль-Аси) в условиях недостаточного информационного обеспечения, в том числе восстановление пропусков в наблюдениях, непрерывности и целостности наборов гидрологических данных является актуальной темой гидрологических исследований в интересах системы управления водными ресурсами и водного хозяйства Сирии.

Степень разработанности темы. На недостаточность методов гидрологических расчетов и моделирования, обладающих необходимой точностью и применяемых, в том числе для улучшения обработки и анализа данных гидромететрических наблюдений, в условиях ограниченной и недостаточной информационной обеспеченности речных водосборов, указывается в работах как российских (Айзель Г.В., Лобанов В.А., Соломатин Д.П., Морейдо В.М., Коротченко Р.А., Кошелева А.В. и др.), так и зарубежных (Kratzert F., Herrnegger M., Klotz D., Hochreiter S.,Yao J.,GraupeS., Ghebrehiwot A. A.,Zhang X., SinghM. P., ChenS. M., et all.) исследователей. Данное диссертационная работа расширяет изученность рассматриваемой проблемы для условий бассейна Верхний Оронтес (Эль-Аси) в САР.

Целью диссертационного исследования является математическое моделирование речного стока в бассейне Верхнего Оронтеса с использованием систем компьютерной математики и статистического анализа (в том числе методов машинного обучения и концептуальной физико-математической модели), а также программно-информационного гидрологического комплекса в условиях недостаточности информации о речном водосборе.

Согласно поставленной цели, были сформулированы и решены следующие задачи:

1) Аналитический обзор существующих в научной литературе методов моделирования гидрологических систем и речного стока на водосборах с недостаточным информационным обеспечением, в том числе используемых в регионах, климатически схожих с бассейном Верхний Оронтес в САР;

2) Анализ природно-климатических, физико-географических, хозяйственно-экономических условий формирования стока и SWOT-анализ развития водохозяйственной системы (ВХС) в речном бассейне Верхнего Оронтеса;

3) Расчеты речного стока на гидрометрической станции Аль-Джавадия с использованием моделей авторегрессионного интегрированного скользящего среднего ARIMA и SARIMA;

4) Расчеты речного стока на гидрометрических станциях Аль-Амири и Аль-Джавадия с использованием искусственных нейронных сетей (ИНС/ANN) и системы нечеткого вывода (СНВ/FIS). Сравнение эффективности воспроизведения речного стока методами ИНС и СНВ;

5) Разработка пользовательского интерфейса для оценки поверхностного стока в исследуемом речном бассейне методами искусственного интеллекта (ИИ);

6) Оценка эффективности модели MIKE 11 NAM для моделирования стока в бассейне реки Верхний Оронтес. Разработка методики получения входных параметров гидрологической модели MIKE 11 NAM на основе использования аппарата искусственных нейронных сетей;

7) Восстановление пропусков наблюдений за стоком на гидрометрических станциях Аль-Амири и Аль-Джавадия с формированием архивной базы восстановленных данных с помощью программы «Аналог» программного комплекса (ПК) «Гидрорасчеты»;

8) Расчет и анализ водохозяйственного баланса (ВХБ) для водохозяйственного участка (ВХУ) Верхнего Оронтеса в средне- и маловодных условиях с использованием данных до и после моделирования речного стока.

Научная новизна диссертационного исследования определяется результатами сравнительного анализа эффективности воспроизведения речного стока методами машинного обучения (МО) и физико-математической моделью; состоит в создании методики улучшенной обработки и анализа исходных временных гидрологических рядов, а также эффективного метода расчета речного стока с использованием аппарата ИНС для водосбора, недостаточно обеспеченного гидрологической информацией

Теоретическая значимость работы заключается в совершенствовании, проверке возможностей и эффективном применении систем искусственного интеллекта (в том числе методов МО, концептуальной физико-математической модели, программно-информационного гидрологического комплекса) к расчетам, оценке и моделированию речного стока для конкретного водосбора в условиях недостаточного информационного обеспечения.

Практическая значимость работы заключается в возможности эффективного использования методики улучшенной обработки и анализа исходных временных гидрологических рядов иметода расчета речного стока с использованием аппарата ИНС для повышения качества и целостности наборов гидрологических данных, гидрологической изученности речного водосбора, а также составления ВХБ на участке реки для средне- и маловодных условий с использованием данных до и после моделирования речного стока с целью сформулировать основные водохозяйственные проблемы и задачи деятельности ВХС Верхнего Оронтеса, предложить соответствующие мероприятия по ее эффективному развитию.

Методология и методы исследования. В основу диссертационного исследования было положено применение систем искусственного интеллекта (ИНС, СНВ и др., статистических моделей (авторегрессионного интегрированного скользящего среднего ARIMA, и сезонного среднего - SARIMA)), а также физико-математической модели «осадки-сток» MIKE 11-NAM и ПК «Гидрорасчеты», разработанного на основе Свода правил «Определение основных расчетных гидрологических характеристик». Оценка результатов расчетов моделирования речного стока выполнялась с использованием известных методов математической статистики.

Оценка (степень) достоверности результатов проведенных исследований.

Обоснованность применения указанных технологий, математических моделей и расчетных методов подтверждается их эффективным применением в различных физико-географических условиях к решению задач формирования речного стока на водосборах разного масштаба и

степени гидрологической изученности, в том числе и в рамках настоящего диссертационного исследования. Достоверность сформулированных научных положений и выводов подтверждается критической статистической оценкой полученных результатов, надежностью используемого информационного и методического обеспечения. Выполненные расчеты и оценки были проведены с использованием методов, нашедших применение в современной инженерно-гидрологической практике.

На защиту выносятся:

■ Итоги SWOT-анализа развития ВХС на верхнем участке реки Оронтес;

■ Методика улучшенной обработки и анализа исходных временных гидрологических рядов;

■ Методы расчета речного стока с использованием аппарата ИНС для водосбора Верхний Оронтес - недостаточно обеспеченного гидрологической информацией;

■ Результаты сравнительного анализа эффективности воспроизведения речного стока методами МО и физико-математической моделью, а также программой «Аналог»;

■ Результаты расчета ВХБ для ВХУ Верхнего Оронтеса; задачи деятельности водохозяйственного комплекса (ВХК) Верхнего Оронтеса и предлагаемые мероприятия по его эффективному развитию.

Личный вклад автора. Работа выполнена по личной инициативе соискателя. Автором выполнен анализ научной литературы в области проводимых исследований, а также сформулированы цель и задачи исследований; освоены комплекс статистических моделей и методов МО, физико-математическая модель «осадки-сток» в MIKE 11 и расчетная программа «Аналог» в ПК «Гидрорасчеты», выполнены численные исследования и обработка результатов экспериментов; сформулированы заключительные положения и выводы.

Апробация результатов научных исследований. Результаты исследований, представленных в диссертационной работе, были неоднократно доложены на российских и зарубежных симпозиумах, конференциях и семинарах; опубликованы в журналах и сборниках трудов, в том числе достаточно полно изложены в 14 печатных работах, из которых 3 статьи опубликованы в журналах, включенных в Перечень рецензируемых научных изданий (Перечень ВАК), в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, и 11 статей в журналах, индексируемых в международных реферативных базах Scopus, Web of Science и других.

Структура и объем НКР. Диссертация состоит из введения, четырех глав, заключения, списка литературы и трех приложений. Объем работы составляет 206 страниц. Текст диссертации иллюстрирован 90 рисунками и содержит 33 таблицы. Библиографический список включает 290 наименований, в том числе 272 на иностранных языках.

ГЛАВА 1. ПРОБЛЕМЫ РАСЧЕТА И МОДЕЛИРОВАНИЯ РЕЧНОГО СТОКА НА ВОДОСБОРАХ, ХАРАКТЕРИЗУЮЩИХСЯ СЛАБОЙ ГИДРОМЕТЕОРОЛОГИЧЕСКОЙ

ИЗУЧЕННОСТЬЮ

Введение диссертации (часть автореферата) на тему «Анализ и моделирование стока реки Оронтес (Эль-Аси) в условиях недостаточного информационного обеспечения»

1.1. Актуальность проблемы инженерной гидрологии

Многие гидрологические приложения (расчетные программы, модели, методы, методические подходы и т.п.), используемые при решении задач планирования и управления водными ресурсами, зависят от полноты временных рядов гидрологических данных, которые они рассматривают в качестве исходной основы для принятия решений или в качестве базы для прогнозирования и изучения любого гидрологического явления (паводка, половодья, наводнения и т.п.), поскольку их использование требует, чтобы временной гидрологический ряд был однородным, связным и не содержал пустот или пропущенных значений, которыми нельзя пренебрегать из-за важности динамических изменений данных временного ряда. Кроме того, для решения прикладных задач в области проектирования и расчетного обоснования, строительства и эксплуатации гидротехнических сооружений также необходимо иметь достаточно полные сведения о гидрологических и гидрометеорологических характеристиках и режиме водных объектов (в том числе, в многолетнем разрезе).

Специалистами-гидрологами незря подчеркивается важная роль качественных гидрологических данных при решении указанных выше различных практических вопросов. Поэтому поиск и обоснование эффективных способов моделирования и восстановления непрерывности временных рядов речного стока с наименьшими усилиями и минимальным уровнем ошибок, является актуальным вопросом инженерной гидрологии, направленным на решение задачи расчета речного стока с водосборов, характеризующихся слабой гидрометеорологической изученностью.

Следует отметить, что в районах, недостаточно обеспеченных данными натурных наблюдений, использование спутниковых и аэрофотоснимков помогает лучше оценить гидрологические и гидрометеорологические факторы, формирующие гидрологические процессы в речных бассейнах, а также составить карты, демонстрирующие их временные и пространственные изменения. Кроме того, следует учитывать влияние климатических и экологических изменений, а также результаты деятельности человека, например, на формирование осадков и речного стока. Для этого можно использовать методическую базу, имеющуюся в специальной литературе, например, для оценки и прогнозирования испарения [1...8], эвапотранспирации [9...41], температуры воздуха [42...44], осадков [45...65] и уровневого режима в реке [66].

Качественная гидрологическая и гидрометеорологическая информация является основным и надежным фактором достоверной оценки водохозяйственной ситуации, успешной разработки эффективных методов управления водными ресурсами в любом речном бассейне и проведения детальных исследований водного баланса в нем. Расчеты речного стока для водосборов не обеспеченных непрерывными гидрологическими наблюдениями, особенно в современных условиях изменений климата, имеют первостепенное значение для решения водохозяйственных задач на территориях, характеризующихся слабой гидрометеорологической изученностью.

1.2. Моделирование гидрологических систем

Моделирование гидрологических систем, к которым относятся, в том числе речные водосборы, получило свое развитие более полувека назад.

Существует несколько возможных классификаций моделей. Например, в Руководстве по гидрологической практике Всемирной Метеорологической Организации (ГП ВМО) (шестое издание, 2011-2012 г. [67]) их делят на: «интуитивные и формализованные. Формализованные модели можно классифицировать на: материальные и символические. Материальные модели делятся на физические (созданные в соответствующем масштабе гидравлические модели в лаборатории) и аналоговые (например, электрические как по методу ЭГДА). Символические модели можно разделить на вербальные, графические и математические. Современные мощностные возможности вычислительной техники и компьютерные технологии создали эффективные условия широкого применения математических моделей. В настоящее время под математическим моделированием можно упрощенно понимать использование математических уравнений (формул) для определения связей между гидрологическими переменными или для представления временной и/или пространственной структуры одной гидрологической переменной» [67].

Согласно Руководству по ГП ВМО «моделирование гидрологических систем включает в себя анализ временных рядов и стохастическое моделирование, при котором основное внимание уделяется воспроизведению статистических характеристик временных рядов гидрологической переменной (расхода или уровня воды и т.п.)» [67].

«Прогресс в моделировании гидрологических систем связан, в первую очередь, с развитием ЭВМ и операционных систем, совершенствованием программного обеспечения и методов получения данных» [67]. Сложные многовариантные вычисления с использованием большого количества исходных данных стали возможны в инженерной гидрологии также благодаря разработке новых численных методов и подходов. Планирование и управление

водными ресурсами, формирование речных прогнозов стали невозможными без математического моделирования речного стока.

Математическая модель может быть статической (в основу которой положено алгебраическое уравнение, описывающее взаимосвязь уровня воды в реке и расхода) или динамической (как, например, модели «осадки-сток»), использующей, как правило, различные дифференциальные уравнения (Singh, 1988) [68], стационарной и нестационарной, непрерывной и дискретной.

В свою очередь динамические модели делятся на эмпирические типа «черного ящика», концептуальные (приблизительно, на основе концептуальных элементов, воспроизводящих процессы, происходящие в речном бассейне) и гидродинамические, предусматривающие решение сложных систем уравнений, базирующихся на физических закономерностях и теориях, определяющих гидрологические процессы.

К моделям «черного ящика» относятся также стохастические модели. Наибольшее развитие получили одномерные стохастические модели из группы авторегрессионных моделей со скользящим средним (ARMA) (Box and Jenkins, 1970 [69]; Hipel и др., 1977 [70]). Модели ARMA используются для моделирования искусственных рядов стока с помощью метода Монте-Карло.

Особым типом моделей «черного ящика» являются искусственные нейронные сети (ИНС), которые применяются, например, для моделирования взаимосвязи «осадки-сток», трансформации стока, переноса наносов. Учитывая, что ИНС лучше всего выявляют структуру и тренды данных, они хорошо подходят для прогнозирования.

Модели «черного ящика» рассматривают речной бассейн (участок реки) как динамическую систему с неизменными в пределах бассейна параметрами (сосредоточенными), которые преобразуют входные факторы, например, жидкие осадки и/или снеготаяние, в гидрограф стока. Что обусловливает предположение «о том, что изменчивость других естественных входных параметров (например, испарения), невелика или описывается известной функцией времени» (Руководство по ГП ВМО 2012 г.) [67].

В инженерной гидрологии также активно используются концептуальные (имитационные или физически обоснованные) математические модели речного стока, построенные на решении систем уравнений, в основу которых положены различные концепции описания физических процессов формирования стока (например, модель HBV, разработанная в Шведском метеоролого-гидрологическом институте, 1992 и 1995 гг.) [71]. Однако, трудности калибровки

такой модели применительно к конкретному бассейну связаны с определением большинства ее параметров на основе рядов наблюдений, данные в которых существенно ограничены или недостоверны.

Более надежное описание гидрологических процессов в речном бассейне возможно с использованием математических моделей с полураспределенными и распределенными параметрами (например, Европейская гидрологическая система (SHE) (Abbott M.B. и др.) [72], гидродинамически обоснованная модель DHI, 1985 г. с современными программными продуктами типа MIKE SHE [73] и др.), представляющих собой систему дифференциальных уравнений в частных производных, описывающих физические процессы на водосборе (формирование осадков, испарения, склонового и руслового стока, инфильтрацию, снеготаяние, движение воды и др.). Входными данными таких моделей являются временные ряды гидрометеорологических переменных (дождевых осадков, температуры, солнечной радиации, суммарного испарения и т.п.) и параметры водосбора (единичные гидрографы, описание дренажной сети и др.). Однако, такие модели требуют большого количества исходных данных, которых часто нет, или они недоступны.

Традиционные гидрологические модели также можно классифицировать по своему функциональному (предметному) назначению. Например, концептуальные модели типа HBV предназначены для прогнозирования стока на основании гидрометеорологических данных. К моделям гидрологического анализа для проектирования гидротехнических сооружений и планирования водохозяйственных мероприятий относятся, например, HEC-1 (пакет гидрографа паводка), HYDROM (гидрологические модели типа «осадки-сток»), HEC-RAS (система анализа рек), MODFLOW (модель формирования водоносных горизонтов - модель движения подземных вод) [74...80] и др.

Используемые на практике гидрологические программные продукты разработаны для персональных компьютеров, а многие из них имеют ГИС-интерфейсы.

Все чаще в инженерной гидрологии применяются модели машинного обучения (МО) и методы искусственного интеллекта (ИИ) [81].

Одним из основных методов машинного обучения является искусственная нейронная сеть (ИНС), а одним из простейших примеров модели машинного обучения - модель линейной регрессии. Создание ИНС первоначально связно с исследованием искусственного интеллекта. В настоящее время ИНС стали популярной технологией моделирования на основе данных.

Методы искусственного интеллекта и глубокого обучения используются для анализа и обработки гидрологических и гидрометеорологических данных, восстановления данных наблюдений и др.

Модели машинного обучения и методы искусственного интеллекта в целом дают результаты, отличные от других традиционных (в том числе концептуальных) моделей, причем каждое исследование с использованием МО и ИИ уникально с точки зрения различных входных данных, специфики изучаемого региона (речного бассейна), механизма сравнения и различий в результатах, полученных разными моделями и методами.

С начала XXI века в разных отраслях хозяйственной деятельности по всему миру выполняется большое количество исследований с использованием МО и ИИ. «Однако в гидрологической практике эти методы пока не используются на постоянной основе. Традиционные технологии все еще более предпочтительны, чем новинки, чьи достоинства еще не подтверждены. Также схожесть искусственных нейронных сетей с «черными ящиками» вызывает отторжение у части гидрологов» (Руководство по ГП ВМО 2012 г.) [67].

Но не зависимо от ее происхождения, модель должна быть пригодной для конкретных и соответствующих гидрологических условий, а ее выбор иметь важное значение в гидрологическом прогнозировании, в планировании водохозяйственных мероприятий, направленных на комплексное и эффективное использование и управление водными ресурсами, а также в проектировании гидротехнических сооружений водохозяйственных систем.

1.3. Изучение и моделирование стока

Циркуляция воды на планете определяет ее круговорот в природе или гидрологический цикл, который включает в себя многочисленные потоки воды в гидросфере, приземных слоях атмосферы и верхней части литосферы. К водным потокам гидрологического цикла относятся осадки, инфильтрация, сток, снеготаяние, испарение.

Осадки и речной сток относятся к числу наиболее важных гидрологических факторов. Способность оценивать и точно моделировать эти факторы особенно важны, поскольку они являются существенными входными данными в большинстве процессов, связанных с управлением, планированием и использованием водных ресурсов в целом и с гидрологическим моделированием в частности.

Оценка и моделирование стока вызывают значительный интерес у исследователей, поскольку это связано с важностью поверхностного стока в структуре водного баланса, а также

его связью с другими гидрологическими факторами и морфологическими характеристиками, отражающими свойства изучаемого речного бассейна.

Учитывая, что в современной инженерной гидрологии моделирование стока выполняется как с использованием традиционных гидрологических моделей (концептуальных, гидродинамических, стохастических и др.), так и с помощью моделей машинного обучения и методов искусственного интеллекта как в различных частях света, так и в регионах, сходных по природно-климатическим условиям с исследуемой территорией бассейна реки Верхний Оронтес в Сирии, далее обсудим ряд исследований и их результаты для указанного методического разнообразия.

1.3.1. Изучение стока с использованием моделей ARIMA

Методы анализа (стохастического моделирования) временных рядов, получившие развитие в работах Бокса-Дженкинса и других (Box and Jenkins, 1970; Hipel и др., 1977) [69-70], объединяют несколько типов моделей: авторегрессию (AR), модель скользящего среднего (MA) и смешанные модели (авторегрессию скользящего среднего (ARMA), авторегрессию интегрированного скользящего среднего (ARIMA) и т.д.), которые наиболее широко используются для анализа и прогнозирования гидрологических временных рядов в последние несколько десятилетий (Wang и др. 2015) [82].

В этой области было проведено множество исследований, например, Montanari и др. (1997) [83] использовали модели FARIMA (fractionally differenced autoregressive integrated moving averag) для моделирования месячного и суточного стока озера Маджоре в Италии. Этот подход позволяет моделировать как краткосрочную, так и долгосрочную устойчивость во временном ряду. Результаты показали высокую способность этих моделей в процессе оценки значений стока в исследуемой области [83]. Аналогично Ghanbarpour M. R. и др. [84] (2010) использовали модели ARIMA для анализа рядов данных о поверхностном стоке в карстовом водосборном бассейне Сангсурах в суббассейне Кархе на юго-западе Ирана, и результаты показали способность этих моделей еженедельно, ежемесячно и раз в два месяца получать значения стока в исследуемой области [84].

Zhang Q. и др. [85] (2011) предложили гибридную модель для средне- и долгосрочного гидрологического прогнозирования. Гибридная модель состоит из двух методов - сингулярного спектрального анализа (Singular Spectrum Analysis (SSA)) и непосредственно (ARIMA). В качестве примера проанализированы данные годового стока двух водохранилищ в Китае. Полученные с использованием гибридной модели результаты сравнивались с прогнозами, сделанными с помощью ARIMA и Singular Spectrum Analysis-Linear Recurrent Formulae (SSA-

LRF). Установлено, что гибридная модель обладает наилучшей эффективностью [85]. Аналогично Valipour M. [86] (2015) использовал авторегрессионные интегрированные модели скользящего среднего (ARIMA) для моделирования долгосрочных рядов стока в Соединенных Штатах Америки. Были получены хорошие результаты, которые показали уверенную корреляцию между сезонными данными на промежутке от 20 лет до четверти века [86]. Wang и др. [82] (2015) использовали модели ARIMA и ансамблевую эмпирическую модальную декомпозицию (ensemble empiricalmode decomposition (EEMD)) для прогнозирования временных рядов годового стока в водосборной зоне трех водохранилищах Китая. В процессе сравнения использовались четыре стандартных статистических критерия оценки эффективности (RMSE, MAPE, R и NSEC). В заключении авторы пришли к выводу, что модели EEMD достигли лучших результатов, чем модели ARIMA. Поэтому было предложено объединить указанные модели в смешанную модель EEMD-ARIMA, которая, очевидно, улучшит производительность модели ARIMA при прогнозировании поверхностного стока в исследуемом районе [82].

С другой стороны, Gharde K. D. и др. [87] (2016) использовали программу SPSS (технологию факторного анализа) для построения (определения параметров) модели ARIMA в процессе прогнозирования суточного стока в бассейне реки Савитри в штате Махарштра в Индии. Коэффициенты оценки модели показали достаточно высокую надежность с коэффициентом корреляции выше 0,9 в течение периодов калибровки и прогнозирования. Gharde K. D. и др. пришли к выводу, что предложенная модель может быть использована в условиях субтропического прибрежного региона Махарштра как в краткосрочной, так и долгосрочной перспективах [87]. Практически одновременно Musarat M. A. и др. [88] (2021) использовали модели ARIMA для прогнозирования стока в реке Кабул (Афганистан) и разработки цифровой модели движения воды в реке, с целью предотвращения и/или смягчения любого ущерба, вызванного изменением уровня воды в реке (например, во время межени, половодья или паводка) [88].

Кроме того, было проведено несколько сравнительных исследований моделей ARIMA и моделей искусственных нейронных сетей, результаты которых различались в зависимости от изучаемого региона и используемых входных данных. Результаты исследования, проведенного Fashae O. A. и др. [89] (2019) на данных о стоке реки Опеки в Нигерии, показали, что модель ARIMA показала лучшие результаты по нескольким критериям оценки (среднеквадратичные ошибки и коэффициент корреляции) [89]. С другой стороны, в тоже самое время, исследование, проведенное Dwivedi D. K. и Shrivastava P. K. [90] (2019) на данных бассейна реки Навсари в Индии, показало преимущество моделей искусственных нейронных сетей на основе проверки точности прогноза с помощью набора данных валидации [90].

1.3.2. Изучение стока с использованием моделей искусственного интеллекта

За последние два десятилетия произошел значительный скачок в развитии вычислительной техники. Активная информатизация, в том числе в гидрологии и метеорологии, привела к накоплению больших объемов данных в этих областях знаний. Возникающие при этом задачи прогнозирования, которые раньше решались другими (традиционными) методами, сегодня зачастую сводятся к обучению по прецедентам или машинному обучению. Машинное обучение как класс методов искусственного интеллекта (ИИ) и одновременно индуктивное обучение, основанное на выявлении эмпирических закономерностей в данных, позволило применять свои различные алгоритмы к многим прикладным задачам инженерной гидрологии, в том числе к количественной и качественной оценке поверхностного стока (Шитиков В.К. и др. 2002 [91]; Гордеева С.М. и др. 2016 и 2018 [92, 93]; Биденко С.И. и др. 2019 [94]; Зеленцов В. А. и др. 2019 [95]; Карапетян Т. А. 2019 [96]). Технологии машинного обучения основаны на множестве подходов, в первую очередь, вероятностных, метрических, логических алгоритмах и нейронных сетях. Каждый из этих методов использует свой математический аппарат, эффективность которого напрямую зависит от поставленной задачи. Например, вероятностные методы и нейронные сети для получения статистически значимых результатов требуют достаточно большого количества данных наблюдений. При отсутствии таковых обычно используются метрические и логические подходы.

1.3.2.1. Изучение стока с использованием искусственных нейронных сетей

За последние двадцать лет в гидрологических науках произошел настоящий переворот в области нейросетевого (NN) моделирования. Из растущего числа опубликованных тематических исследований становится очевидным, что разработка решений на основе данных, основанных на использовании нейронных инструментов или интеллектуальных технологий, испытывается и тестируется в большинстве секторов гидрологического моделирования и гидротехнического строительства [97].

Установлено, что ИНС (ANNS) являются надежными инструментами для моделирования многих нелинейных гидрологических процессов, таких как сток осадков, речной сток, управление грунтовыми водами, моделирование качества воды и осадки. После соответствующей подготовки они способны генерировать удовлетворительные результаты для многих задач прогнозирования в гидрологии. Хорошее физическое понимание моделируемого гидрологического процесса может помочь в выборе входного вектора и проектировании более эффективной сети. Однако искусственные нейронные сети, как правило, требуют большого

объема данных, и не существует устоявшейся методологии для их проектирования и успешной реализации [98].

Прогнозирование временных рядов занимает большую долю интереса исследователей в этой области, особенно прогнозирование и оценка поверхностного стока и взаимосвязи между осадками и поверхностным стоком с помощью искусственных нейронных сетей. Так, например, Zhang B. и Govindaraju R.S. [99] (2003) разработали искусственную нейронную сеть на основе морфологических характеристик водосбора для оценки стока с речного бассейна. Такая искусственная нейронная сеть, построенная на геоморфологической основе (geomorphology-based artificial neural network (GANN)), использовалась для оценки гидрографов стока от нескольких паводков на двух речных бассейнах Индианы. Сравнение результатов, полученных с помощью модели GANN, с наблюденными гидрографами в течение нескольких гидрологических событий для двух бассейнов показало, что модели GANN являются перспективными инструментами для оценки речного стока [99].

Аналогично Tayfur G. и Singh V. P. [100] (2006) в своих исследованиях продемонстрировали преимущество моделей искусственных нейронных сетей и нечеткой логики перед моделью кинематической волновой аппроксимации (KWA) при прогнозировании дождевого стока на основе наблюденных данных [ 100].

Кроме того, Yazdani M.R. и Saghafian B. [101] (2009) использовали ANN-модель (ИНС) для оценки стока в бассейне реки Плазджан в центральной части Ирана. В качестве расчетных моделей использовались многослойный (мульти) перцептрон (Multiple Perceptron (MLP)) и рекуррентная нейронная сеть (Recurrent Neural Network (RNN)). В качестве входной информации использовались данные, полученные с 5 осадкомеров, а также 2 термографов, регистрирующих температуру. Выходными данными модели был ряд среднемесячных значений стока на гидрометрической станции Эскандари. Результаты показали, что ИНС (ANN) является подходящим методом для оценки среднемесячных значений стока в выбранном бассейне, причем ИНС также способны показать реакцию речного бассейна на выпадение осадков [101].

С другой стороны, Lohani A. K. и др. [102] (2011) сравнили эффективность искусственной нейронной сети (ANN), модели нечеткой логики (FL) и модели линейной передаточной функции (Linear transfer function (LTF)) в процессе моделирования суточных значений дождевого стока. Результаты моделирования показали, что модель нечеткого логического вывода равномерно превосходит модель LTF, а также всегда превосходит модели, построенные на основе ИНС (ANN) [102].

Также Fereydooni M. и др. [103] (2012) сравнивались модели искусственных нейронных сетей и ARIMA-модели при прогнозировании среднемесячных значений стока в бассейне реки Гара-Агадж на юго-западе Ирана. Результаты расчетов показали существенное преимущество искусственных нейронных сетей и их надежность в процессах оценки и прогнозирования стока [103].

В работе Chenи др. [104] (2013) использовались глубокие ИНС с прямым и обратным распространением (Feed Forward Back Propagation ANN (FFBPANN)) и обычный регрессионный анализ (conventional regression analysis (CRA)) для моделирования поверхностного стока с использованием данных о количестве осадков и заполнением пробелов во временных рядах. Результаты сравнения показали предпочтение моделей искусственных нейронных сетей [104].

В исследовании Jimenos P. и др. [105](2018) сравнивались имитационная почвенно-гидрологическая модель бассейна реки (Soil and Water Assessment Tool (SWAT)) и модель искусственной нейронной сети (ANN) в решении задачи, связанной с поиском лучшего метода оценки речного стока. Результаты показали, что модели SWAT и ANN в целом оказались хорошими инструментами для моделирования суточных значений речного стока. Однако, SWAT оказалась более успешной в отношении лучшего моделирования меженных расходов, в то время как модели ИНС (ANN) во всех случаях превосходили ее в оценке максимальных расходов [105].

Модели искусственных нейронных сетей также использовались для оценки взаимосвязи между осадками и стоком в различных регионах и для разных сценариев. Модели ИНС показали высокую эффективность с большими значениями оценочных критериев, например, в исследованиях Srinivasulu S. и Jain A. [106] (2006), сравнивающих различные методы обучения ИНС, доступные для многослойных перцептронов (MLP) (ANN), в процессе моделирования дождевого стока [106] или в работе Solaimani K. [107] (2009), который также использовал искусственную нейронную сеть (ANN) для моделирования взаимосвязи дождевого стока на водосборной территории, расположенной в полузасушливом регионе Ирана [107]. Кроме того, Chakravarti A. и др. [108] (2019) использовал ИНС (ANN) для проверки данных гидрографов наблюденного стока [108].

Ditthakit P. и др. [109] (2023) было проведено сравнительное исследование применимости методов машинного обучения (ML) (метод главных компонент и широкомасштабная оптимизация гиперпараметров (RandomForest или «решающие деревья» (RF)), M5 model tree -«дерево моделей» (M5-MT), метод опорных векторов для задач регрессии (Support Vector Regression with polynomial kernel function (SVR- poly) и Support Vector Regression with the radial

kernel function (SVR- rbf))) и гидрологической модели GR2M для моделирования гидрографа месячных значений стока. Модели были опробованы на шести гидрометрических станциях (гидростворах) в южном речном бассейне Таиланда. Результаты исследования показали, что на станциях с низким коэффициентом корреляции (r) между входными и выходными наборами данных алгоритмы ML продемонстрировали более высокую производительность, чем модель GR2M. В частности, метод опорных векторов SVR- rbf показал отличную эффективность по сравнению с другими методами. Это говорит о том, что метод SVR - rbf может справиться с проблемой некачественных данных и моделировать ряды месячных значений стока в условиях ограниченного информационного обеспечения (доступности данных) [ 109].

Список литературы диссертационного исследования кандидат наук Слейман Алаа, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Al-aboodi A.H. Evaporation Estimation Using Adaptive Neuro-Fuzzy Inference System and Linear Regression // Eng. &Tech. Journal, 2014, Vol. 32, Part (A), No.10.

2. Benzaghta M. A.; Mohammed T. A.; Ghazali A. H.; Soo M. A. M. Prediction of evaporation in tropical climate using artificial neural network and climate-based models // Scientific Research and Essays, 2012, Vol 7(36), PP 3133-3148.

3. Kumar P.; Kumar D.; Jaipaul A.; Tiwari K. Evaporation Estimation Using Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference System techniques // Pakistan Journal of Meteorology, 2012, Vol. 8, Issue 16, PP 81-88.

4. Kumar P.; Rasul G.; Kumar, D. Evaporation Estimation from Climatic Factors // Pakistan Journal of Meteorology, 2013, Vol. 9, Issue 18, PP 51-57.

5. Atiaa A.; Abdul-Qadir, A. M. Using fuzzy logic for estimating monthly pan evaporation from meteorological data in Emara // South of Iraq. Baghdad Science Journal, 2012, Vol. 9, PP 133-140.

6. Dabral P. P.; Jhajharia D.; Mishra P.; Hangshing L.; Doley B. Time Series Modelling of Pan Evaporation: A Case Study in The Northeast India // Global NEST Jornal, 2014, Vol. 16, NO 2, PP 280-292.

7. Chung C. H.; Chiang Y. M; Chang F.J. A Spatial neural fuzzy network for estimating pan evaporation at ungauged sites // Hydrology and Earth System Sciences, 2012, Vol. 16, NO 2, PP 255-266.

8. Keskin M.; Terzi O.; Taylan D. Fuzzy Logic model approaches to daily pan evaporation estimation in western Turkey // Hydrological Sciences, 2004, Vol. 49, NO 6, PP 1000-1010.

9. Shafika Sultan Abdullah S. S. A.; Malek M. A.; Mustapha A.; Alihosein Aryanfar A. A. Hybrid of Artificial Neural Network-Genetic Algorithm for prediction of Reference Evapotranspiration (ET0) in Arid and Semiarid Regions // Journal of Agricultural Science, 2014, Vol. 6, No. 3, PP 191-200.

10. Abdullah S. S.; Malek M. A.; Abdullah N. S.; Kisi O.; Yap K. S. Extreme Learning Machines: A new approach for prediction of reference evapotranspiration // Journal of Hydrology, 2015, PP 184195.

11. Alipour A; Yarahmadi J; Mahdavi M. Comparative Study of M5 Model Tree and Artificial Neural Network in Estimating Reference Evapotranspiration Using MODIS Products // Journal of Climatology, 2014, Vol. 16.

12. Feng Y; Peng Y; Cui N; Gong D; Zhang K. Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data // Computers and Electronics in Agriculture, 2017, Vol. 136, PP 71-78.

13. Ghahreman N; Sameti M. Comparison of M5 Model Tree and Artificial Neural Network for Estimating Potential Evapotranspiration in Semi-Arid Climates // DESERT, 2014, PP 75-81.

14. Hamdi M. R.; Bdour A. N.; Tarawneh, Z. S. Developing Reference crop Evapotranspiration Time Series Simulation Model Using Class A Pan: A Case Study for the Jordan Valley / Jordan // Jordan Journal of Earth and Environmental Sciences, 2008, Vol. 1, No. 1, PP 33-44.

15. Huo Z.; Feng S.; Kang S.; Dai X. Artificial Neural Network models for reference evapotranspiration in an arid area of northwest China // Journal of Arid Environments, 2012, Vol. 82, PP 81-90.

16. Jadeja V. Artificial neural network estimation of Reference Evapotranspiration from pan evaporation in a semi-arid environment // National Conference on Recent Trends in Engineering & Technology, 2011.

17. Kariyama I. D. Temperature-Based Feed-Forward Backpropagation Artificial Neural Network for Estimation Reference Crop Evapotranspiration in The Upper West Region // International Journal of Scientific & Technology Research, 2014, Vol. 3, Issue 8, PP 357-364.

18. Ki§i O.; Ozturk O. Adaptive Neuro Fuzzy Computing Technique for Evapotranspiration Estimation // Journal of Irrigation and Drainage Engineering, 2007, Vol. 133, No. 4, PP 368-379.

19. Kisi O. Applicability of Mamdani and Sugeno fuzzy genetic approaches for modeling reference evapotranspiration // Journal of Hydrology, 2013, Vol. 504, PP 160-170.

20. Kumar M.; Raghuwanshi N. S.; Singh R.; Wallender W. W.; Pruitt, W. O. Estimating Evapotranspiration Using Artificial Neural Network // Journal of Irrigation and Drainage Engineering, 2002, Vol. 128, No. 4, PP 224-233.

21. Landeras G.; Ortiz-Barredo, A; Lopez, J. J. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain) // Agricultural Water Management, 2008, Vol. 95, No. 5, PP 553565.

22. Mirambell A.B.; da Silva C.F.; de Souza Barbosa F.; de Melo Ribeiro C. B. A Methodological Proposal Based on Artificial Neural Networks for Evapotranspiration Assessment // Journal of Agricultural Science, 2017, Vol. 9, No. 5, PP 142-157.

23. Moasheri S, A; Afrasiab P.; Sarani S.; Sarani N. Estimation of Reference Evapotranspiration by Using Artificial Neural Networks // International Conference on Transport, Environment and Civil Engineering (ICTECE), Kuala Lumpur (Malaysia), 2012, PP 80-84.

24. Ojha S.; Bhakar S. R. Estimation of Evapotranspiration for Wheat Crop Using Artificial Neural Network // Journal of Indian Water Resources Society, 2012, Vol. 32, No.1-2, PP 13-21.

25. Perera K.; Western A. W.; Nawarathna, B.; George B.; Forcasting Daily Reference Evapotranspiation for Shepparton, Victoria, Australia Using Numerical Weather Prediction outputs // International Congress on Modelling and simulation, Australia, 2013, PP 1-6.

26. Pakhale G. K.; Nale, J. P; Temesgen W. B; MULUNEH, W. D. Modelling Reference Evapotranspiration Using Artificial Neural Network: A Case Study of Ameleke watershed, Ethiopia // International Journal of Scientific and Research Publications, 2015, Vol. 5, Issue 4.

27. Reddy K. C. S.; Jyothy, S. A.; Mallikarjuna P. Estimation of Weekly Reference Evapotranspiration using Linear Regression and ANN Models // ACEE Int. J. on Civil and Environmental Engineering, 2011, Vol. 01, No. 01, PP 30-35.

28. Sattari M. T.; Pal M.; Yurekli K.; UnlukaraA. M5 model trees and neural network-based modeling of ET0 in Ankara, Turkey // Turkish Journal of Engineering & Environmental Sciences, 2013, Vol. 37, No. 02, PP 211-219.

29. Singh S. K.; Lal C. H.; Mathur S.; Sharma D. K.; Sanjay Mathur S.; Shahi N. C.; Chand K. Comparison of measured and predicted Evapotranspiration using Artificial Neural Network model // Journal of Academia and Industrial Research, 2013, Vol. 1, No 12, PP 816-819.

30. Tabatabaee M.; Mirshekari M.; Alipour Z.; Tanmasebizade R. Comparing the Results of an Empirical Equation and Artificial Intelligence to Calculate Evapotranspiration and Compare Them with The Actual Results (Case study: Kavar and Doroudzan Weather Stations) // Journal of Current Research in Science, USA, 2014, Vol. 2, No. 3, PP 340-345.

31. Traore S.; Wang Y.; Kerh T. Artificial Neural Network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone // Agricultural Water Management, 2010, Vol. 97, No. 5, PP 707-714.

32. Trajkovic S.; Todorovic B.; Stankovic M. Forecasting of Reference Evapotranspiration by Artificial Neural Networks // Journal of Irrigation and Drainage Engineering, 2003, Vol. 129, No. 6, PP 454457.

33. Tzimopoulos C.; Papaevangelou G.; Mpallas L. Estimation of Evapotranspiration Using Fuzzy Rules and Comparison with the Blaney-Criddle Method. Water Resources Management // European Water Resources Association, 2007, PP 245-252.

34. Valipour, M. Ability of Box-Jenkins Models to Estimate of Reference Potential Evapotranspiration (A Case Study: Mehrabad Synoptic Station, Tehran, Iran) // Journal of Agriculture and Veterinary Science (IOSR-JAVS), Vol 1, Issue 5, 2012.

35. Antonopoulos V. Z.; Antonopoulos V. Z. Daily Reference Evapotranspiration Estimates by Artificial Neural Networks Technique and Empirical Equations Using Limited Input Climate Variables // Computer and Electronics in Agriculture, 2017, Vol. 132, PP 86-96.

36. Wang Y. M.; Traore S.; Kerh T. Neural Network Approach for Estimating Reference Evapotranspiration from Limited Climatic Data in Burkina Faso // Wseas Transactions on Computers, 2008, Vol. 7, Issue 6, PP 704-713.

37. Yu X.; Lamacova A.; Duffy C.; Kram P.; Hruska J. Hydrological model uncertainty due to spatial evapotranspiration estimation methods // Computers & Geosciences, 2016, Vol. 90, PP 90-101.

38. Al Shalawi S. K. H., Comparison of Artificial Neural Network and Fuzzy Logic System applications for estimating pan-evaporation for Mosul region // Kufa Magazine for Mathematics and Computers, 2011, Vol. 1, NO.3, PP 23-32.

39. Razavi T.; Province K. Estimating of Reference Evapotranspiration by Using Artificial Neural Networks // International Conference on Transport, Environment and Civil Engineering (ICTECE'2012) August, Kuala Lumpur (Malaysia), 2012, PP 80-84.

40. Ghahreman N.; Sameti M. Comparison of M5 Model Tree and Artificial Neural Network for Estimating Potential Evapotranspiration in Semi-arid Climates // DESERT, 2014, 1, PP 75-81

41. Kumar M.; Raghuwanshi N. S.; Singh R.; Wallender W. W.; Pruitt W. O. Estimating Evapotranspiration using Artificial Neural Network // J. Irrig. Drain Eng., 2002, Vol. 128, PP 224233.

42. Antonic O.; Krizan J.; Marki A.; Bukovec D. Spatio-temporal interpolation of climatic variables over region of complex terrain using neural networks // Ecological Modelling, 2001, Vol. 138 (1-3) PP 255-263.

43. Shank D. B. Dew Point Temperature Prediction Using Artificial Neural Networks // Athens, Georgia. Harding University, 2003.

44. AL-Taai Q. T. Interpolation the Missing Data of Air Temperature by Using Artificial Intelligence for Selected Iraqi Weather Stations // Diyala Journal for Pure Sciences. Baghdad-Iraq, 2014, Vol: 10 No:1, PP 102-111, ISSN: 2222-8373.

45. Abhishek K.; Kumar A.; Ranjan R.; Kumar S. A Rainfall Prediction Model using Artificial Neural Network // IEEE Control and System Graduate Research Colloquium, 2012, PP 82-87.

46. Alhashimi S. A. M. Prediction of Monthly Rainfall in Kirkuk Using Artificial Neural Network and Time Series Models // Journal of Engineering and Development, 2014, Vol. 18, No.1, PP 129-143, ISSN1813- 7822.

47. Amr H.; El-Shafie A.; El Mazoghi H.; Shehata A.; Taha M. R. Artificial neural network technique for rainfall forecasting applied to Alexandria, Egypt // International Journal of the Physical Sciences, 2011, Vol. 6. No 6, PP 1306-1316.

48. Ramirez M. C. V.; de Campos Velho H. F.; Ferreira N. J. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region // Journal of hydrology, 2005, Vol. 301(1-4), PP 146-162.

49. Rajeevan M.; Guhathakurta P.; Thapliyal V. New Models for Long Range Forecasts of Summer Monsoon Rainfall over North West and Peninsular India // Meteor. & Atomos. Phys., 2000, Vol. 73. No 3, PP 211-255.

50. Htike K. K.; Khalifa O. O. Rainfall Forecasting Models Using Focused Time Delay Neural Networks // International Conference on Computer and Communication Engineering (ICCCE 2010), 2010, PP 1-6.

51. Hung N. Q.; Babel M. S.; Weesakul S.; Tripathi N. K. An artificial neural network model for rainfall forecasting in Bangkok, Thailand // Hydrology and Earth System Sciences, 2009, Vol. 13. No 8, PP 1413-1425 .

52. Kuligowski R. J.; Barros A. P. Using Artificial Neural Networks to Estimate Missing Rainfall Data // Journal of the American water resources association. 1998, Vol. 34, NO.6, PP 1437: 1447.

53. Luenam P.; Ingsriswang S.; Ingsrisawang L.; Aungsuratana P.; Khantiyanan W. A Neuro-Fuzzy Approach for Daily Rainfall Prediction over the Central Region of Thailand // Proceedings of the

International Multiconferance of Engineers and Computer Scientists 2010, Vol. 1, PP 17-19.

54. Luk K. C.; Ball J. E.; Sharma A. An application of artificial neural networks for rainfall forecasting // Mathematical and Computer Modelling, 2001, Vol. 33(6-7), PP 683-693.

55. Júnior J. M. P.; Barreto G. A. Multistep-Ahead Prediction of Rainfall Precipitation Using the NARX Network // ESTSP'08, 2008, Vol. 87.

56. Mekanik F.; Lee T. S.; Imteaz M. A. Rainfall modeling using Artificial Neural Network for a mountainous region in West Iran // 19th International Congress on Modelling and Simulation, Perth, Australia, 2011, PP 12-16.

57. Moustris K. P.; Larissi I. K.; Nastos P. T.; Paliatsos A. G. Precipitation forecast using artificial neural networks in specific regions of Greece // Water resources management, 2011, Vol. 25, PP 19791993.

58. Nkuna T.R.; Odiyo J.O. Filling of missing rainfall data in Luvuvhu River Catchment using artificial neural networks // Physics and Chemistry of the Earth, 2011, Vol. 36, PP 830-835.

59. Partal T.; Cigizoglu H. K.; Kahya E. Daily precipitation predictions using three different wavelet neural network algorithms by meteorological data // Stochastic environmental research and risk assessment, 2015, Vol. 29, PP 1317-1329.

60. Roman U. C.; Patel P. L.; Porey P. D. Prediction of missing rainfall data using conventional and artificial neural network techniques // ISH Journal of Hydraulic Engineering, 2012, Vol. 18, No.3, PP 224-231.

61. Solgi A.; Nourani V.; Pourhaghi A. Forecasting Daily Precipitation Using Hybrid Model of Wavelet-Artificial Neural Network and Comparison with Adaptive Neurofuzzy Inference System (Case Study: Verayneh Station, Nahavand) // Advances in Civil Engineering, 2014(1), 2014, 279368.

62. Somvanshi V. K.; Pandey O. P.; Agrawal P. K.; Kalanker N. V.; Prakash M. R.; Chand R. Modeling and prediction of rainfall using artificial neural network and ARIMA techniques // J. Ind. Geophys. Union, 2006, Vol. 10, No. 2, PP 141-151.

63. Terzi Ö.; £evik E. Rainfall estimation using artificial neural network method // International Journal

of Technological Science, 2012, Vol. 4, No.1, PP 10-19.

64. Tiron G.; Gosav S. The July 2008 Rainfall Estimation from Barnova WSR-98 D Radar Using Artificial Neural Network // Romanian Reports in Physics, 2010, Vol. 62, No. 2, PP 405-413 .

65. Vamsidhar E.; Varma K. V. S. R. P.; Rao P. S.; Satapati R. Prediction of Rainfall Using Backpropagation Neural Network Model // International Journal on Computer Science and Engineering, Gitam University Visakhapatnam, 2010, Vol. 2, No. 4, PP 1119-1121.

66. Bustami R.; Bessaih N.; Bong C.; Suhaili S. Artificial Neural Network for Precipitation and Water Level Predictions of Bedup River // IAENG International Journal of computer science, 2007, Vol. 34, No. 2.

67. Руководство по гидрологической практике Всемирной Метеорологической Организации (шестое издание, 2011-2012 г.)

68. Singh V.P. Hydrologic Systems: Rainfall-Runoff Modeling // New Jersey: Prentice-Hall, Englewood Cliffs, 1988, Vol. 1, P 480.

69. Box G. E. P.; Jenkins G. M. Time Series Analysis: Forecasting and Control // Holden-Day, San Francisco, 1970.

70. Hipel K. W.; McLeod A. I.; Lennox W. C. Advances in box-jenkins modeling: 1. Model construction // Water Resources Research, 1977, Vol. 13, No. 3, PP 567-575.

71. Bergstrom S. The HBV-Model - Its Structure and Applications // SMHI Reports RH., 1992, No. 4, Norrkoping, P 35.

72. Abbott M.B.; Bathurst J.C.; Cunge J.A.; O'Connell P.E.; Rasmussen J. An introduction to the European Hydrological System — Systeme Hydrologique Europeen, "SHE", 2: Structure of a physically-based, distributed modelling system // Journal of Hydrology, 1986, Vol. 87, Issues 1-2, PP 61-77, ISSN 0022-1694, https://doi.org/10.1016/0022-1694(86)90115-0.

73. Abbott M.B. An introduction to the European Hydrological System — Systeme Hydrologique Europeen, "SHE", 1: History and philosophy of a physically-based, distributed modelling system /

MB. Abbott, J.C. Bathurst, J.A. Cunge, P.E. O'Connell, J. Rasmussen // J. Hydrol. -1986, Vol. 87, № 1-2, PP 45-59.

74. Sui J. Estimation of design flood hydrograph for an ungauged watershed // Water resources management, 2005, Vol. 19, PP 813-830.

75. Gerlach R. M.; Ahmed I.; Beckman N. D.; Karim A. The utility of HEC-1 flood hydrograph package in distributed flow guided area drainage master plan discharges verification in a desert environment // International Journal of Hydrology Science and Technology, 2016, Vol. 6 No.3, PP 199-225.

76. Tjia D.; Gupta R.; Alam M. Two-stage history matching for hydrology models via machine learning // In Soft Computing for Problem Solving 2019: Proceedings of SocProS 2019, 2020, Vol. 2, PP 8395.

77. Yang J.; Townsend R. D.; Daneshfar B. Applying the HEC-RAS model and GIS techniques in river network floodplain delineation // Canadian Journal of Civil Engineering, 2006, Vol. 33, No. 1, PP 19-28.

78. Wal^ga A. Application of HEC-HMS programme for the reconstruction of a flood event in an uncontrolled basin // Journal of Water and Land Development, 2013, Vol. 18, No. 9, PP 13-20.

79. Ansori M. B.; Lasminto U.; Kartika A. A. G. Flood Hydrograph Analysis Using Synthetic Unit Hydrograph, Hec-Hms, and Hec-Ras 2D Unsteady Flow Precipitation on-Grid Model for Disaster Risk Mitigation // Geomate Journal, 2023, Vol. 25, No.107, PP 50-58.

80. Hariharan V.; Shankar M. U. A review of visual MODFLOW applications in groundwater modelling // In IOP Conference Series: Materials Science and Engineering, 2017, Vol. 263, No. 3, p 032025, IOP Publishing.

81. Yao J.; Wang P.; Wang G.; Shrestha S.; Xue B.; Sun W. Establishing a time series trend structure model to mine potential hydrological information from hydrometeorological time series data // Science of The Total Environment, 2020, Vol. 698, 134227.

82. Wang, W.c., Chau, K.w., Xu, D.M., Chen X.Y., Improving Forecasting Accuracy of Annual Runoff Time Series Using ARIMA Based on EEMD Decomposition. Water Resour Manage 29, 2655-2675 (2015). https://doi.org/10.1007/s11269-015-0962-6

83. Montanari A.; Rosso R.; Taqqu M. S. Fractionally differenced ARIMA models applied to hydrologic time series: Identification, estimation, and simulation // Water resources research, 1977, Vol. 33, No. 5, PP 1035-1044.

84. Ghanbarpour M. R.; Abbaspour K. C.; Jalalvand G.; Moghaddam G. A. Stochastic modeling of surface stream flow at different time scales: Sangsoorakh karst basin, Iran // Journal of Cave and Karst Studies, 2010, Vol. 72, No.1, PP 1-10.

85. Zhang Q.; Wang B. D.; He B.; Peng Y.; Ren M. L. Singular spectrum analysis and ARIMA hybrid model for annual runoff forecasting // Water resources management, 2011, Vol. 25, PP 2683-2703.

86. Valipour M. Long-term runoff study using SARIMA and ARIMA models in the United States // Meteorological Applications, 2015, Vol. 22, No. 3, PP 592-598.

87. Gharde K. D.; Kothari M.; Mahale D. M. Developed seasonal ARIMA model to forecast streamflow for Savitri Basin in Konkan Region of Maharshtra on daily basis // J. Indian Soc. Coastal Agric. Res, 2016, Vol. 34, PP 110-119.

88. Musarat M. A.; Alaloul W. S.; Rabbani M. B. A.; Ali M.; Altaf M.; Fediuk R.; Vatin N.; Klyuev S.; Bukhari H.; Sadiq A.; et al. Kabul River Flow Prediction Using Automated ARIMA Forecasting: A Machine Learning Approach // Sustainability, 2021, Vol. 13, No. 19, 10720.

89. Fashae O. A.; Olusola A. O.; Ndubuisi I.; Udomboso C. G. Comparing ANN and ARIMA model in predicting the discharge of River Opeki from 2010 to 2020 // River research and applications, 2019, Vol. 35, No. 2, PP 169-177.

90. Dwivedi D. K.; Shrivastava P. K. Rainfall and runoff estimation of micro watersheds of coastal Navsari // Journal of Soil and Water Conservation, 2019, Vol. 18, No. 1, PP 43-51.

91. 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.

92. Гордеева С. М.; Малинин В. Н. Использование DATAMINING в задаче гидрометеорологического прогнозирования // Гидрология. Ученые записки РГГМУ, 2016, № 44, с. 30-44.

93. Гордеева С. М.; Малинин В. Н. О предвычислении годового стока крупных рек Европейской части России на основе метода деревьев решений (DECISION TREES) // Гидрология. Ученые записки РГГМУ, 2018, № 50, с. 53-65.

94. Биденко С. И.; Храмов И. С.; Шилин М. Б. Оценка территориальной ситуации с использованием искусственных нейронных сетей // Геоинформационные системы. Ученые записки РГГМУ, 2019, № 54, с. 109-123. doi: 10.33933/2074-2762-2019-54-109-123

95. Зеленцов В. А.; Потрясаев С. А.; Пиманов И. Ю.; Пономаренко М. Р. Автоматизация мониторинга и комплексного моделирования гидрологической обстановки в бассейнах рек // Гидрология. Ученые записки РГГМУ, 2019, № 55, с. 74-85. doi: 10.33933/2074-2762-2019-5574-85

96. Карапетян Т. А. Использование искусственных нейронных сетей для оценки и прогнозирования речных стоков // Молодой учёный, 2019, № 19 (257), Технические науки, с. 30-33.

97. Abrahart R. J.; See L. M. Neural network modelling of non-linear hydrological relationships // Hydrology and Earth System Sciences, 2007, Vol. 11 No. 5, PP 1563-1579.

98. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000). Artificial neural networks in hydrology. II: Hydrologic applications // Journal of Hydrologic Engineering, Vol. 5 No. 2, PP 124-137.

99. Zhang B.; Govindaraju R. S. Geomorphology-based artificial neural networks (GANNs) for estimation of direct runoff over watersheds // Journal of Hydrology, 2003, Vol. 273, No. 1-4, PP 1834.

100. Tayfur, G.; Singh, V. P. ANN and fuzzy logic models for simulating event-based rainfall-runoff // Journal of hydraulic engineering, 2006, Vol. 132, No. 12, PP 1321-1330.

101. Yazdani M. R.; Saghafian B.; Mahdian M. H.; Soltani S. Monthly runoff estimation using artificial neural networks // Journal of Agricultural Science and Technology, 2009, Vol. 11, No. 3, PP 335-362.

102. 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, No. 2, PP 175-193.

103. Fereydooni M.; Rahnemaei M.; Babazadeh H.; Sedghi H.; Elhami M. R. Comparison of artificial neural networks and stochastic models in river discharge forecasting, (Case study: Ghara-Aghaj River, Fars Province, Iran) // African Journal of Agricultural Research, 2012, Vol. 7, No. 40, PP 5446-5458.

104. Chen S. M.; Wang Y. M.; Tsou I. Using artificial neural network approach for modelling rainfallrunoff due to typhoon // Journal of Earth System Science, 2013, Vol. 122, PP 399-405.

105. Jimeno-Sáez, P.; Senent-Aparicio J.; Pérez-Sánchez J.; Pulido-Velazquez D. A comparison of SWAT and ANN models for daily runoff simulation in different climatic zones of peninsular Spain // Water, 2018, Vol. 10, No. 2, 192.

106. Srinivasulu S.; Jain A. A comparative analysis of training methods for artificial neural network rainfall-runoff models // Applied Soft Computing, 2006, Vol. 6, No. 3, PP 295-306.

107. Solaimani K. Rainfall-runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed) // American-Eurasian J. Agric. & Environ. Sci., 2009, Vol. 5, No. 6, PP 856-865.

108. Chakravarti A.; Joshi N.; Panjiar H. Rainfall Runoff Analysis Using Artificial Neural Network // Indian Journal of Science and Technology, 2019, Vol. 8, No. 14, doi: 10.17485/ijst/2015/v8i14/54370

109. Ditthakit P.; Pinthong S.; Salaeh N.; Weekaew J.; Tran T. T.; Pham Q. B. Comparative study of machine learning methods and GR2M model for monthly runoff prediction // Ain Shams Engineering Journal, 2023, Vol. 14, No. 4, 101941.

110. Mohseni U.; Muskula S. B. Rainfall-runoff modeling using artificial neural network—a case study of purna sub-catchment of Upper Tapi Basin, India // Environmental Sciences Proceedings, 2023, Vol. 25, No. 1, 1.

111. Xu D. M.; Hu X. X.; Wang W. C.; Chau K. W.; Zang H. F.; Wang J. A new hybrid model for monthly runoff prediction using ELMAN neural network based on decomposition-integration structure with local error correction method // Expert Systems with Applications, 2024, Vol. 238, 121719.

112. Iamampai S.; Talaluxmana Y.; Kanasut J.; Rangsiwanichpong P. Enhancing rainfall-runoff model accuracy with machine learning models by using soil water index to reflect runoff characteristics // Water Science & Technology, 2024, Vol. 89, No. 2, PP 368-381.

113. Kambalimath S.; Deka P. C. A basic review of fuzzy logic applications in hydrology and water resources // Applied Water Science, 2020, Vol. 10, No. 8, PP 1-14.

114. Kang A. Y. Rainfall-Runoff Modeling Using a Self-reforming Neuro-Fuzzy System // Doctoral dissertation, Monash University, 2022.

115. Mahabir C.; Hicks F. E.; Fayek A. R. Application of fuzzy logic to forecast seasonal runoff // Hydrological processes, 2003, Vol. 17, No. 18, PP 3749-3762.

116. §en Z.; Altunkaynak A. A comparative fuzzy logic approach to runoff coefficient and runoff estimation // Hydrological Processes: An International Journal, 2006, Vol. 20, No. 9, PP 1993-2009.

117. 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, No. 2, PP 283-291.

118. Nath A.; Mthethwa F.; Saha G. Runoff estimation using modified adaptive neuro-fuzzy inference system // Environmental Engineering Research, 2020, Vol. 25, No. 4, PP 545-553.

119. Roy B.; Singh M. P. An empirical-based rainfall-runoff modelling using optimization technique // International journal of river basin management, 2020, Vol. 18, No. 1, PP 49-67.

120. Roy B.; Singh M. P.; Singh A. A novel approach for rainfall-runoff modelling using a biogeography-based optimization technique // International Journal of River Basin Management,

2021, Vol. 19, No. 1, PP 67-80.

121. Samantaray S.; Sahoo A.; Das S. S.; Satapathy D. P. Development of rainfall-runoff model using ANFIS with an integration of GIS: A case study // In Current Directions in Water Scarcity Research,

2022, Vol. 7, PP 201-223.

122. Gelete G. Application of hybrid machine learning-based ensemble techniques for rainfall -runoff modelling // Earth Science Informatics, 2023, Vol. 16, No. 3, PP 2475-2495.

123. Gelete G.; Nourani V.; Gokcekus H.; Gichamo T. Physical and artificial intelligence-based hybrid models for rainfall-runoff-sediment process modelling // Hydrological Sciences Journal, 2023, Vol. 68, No. 13, PP 1841-1863.

124. Milisic H.; Hadzic E.; Mulaomerovic-Seta A.; Kalajdzisalihovic H.; Lazovic N. Mathematical modeling of surface water quality // In Advanced Technologies, Systems, and Applications III: Proceedings of the International Symposium on Innovative and Interdisciplinary Applications of Advanced Technologies (IAT), 2019, Vol. 2, PP 138-156.

125. Sahu S. A. L. I. L.; Pyasi S. K.; Galkate R. V. A review on the HEC-HMS rainfall-runoff simulation model // International Journal of Agricultural Science and Research, 2020, Vol. 10, No. 4, PP 183-190.

126. Natarajan, S.; Radhakrishnan N. An integrated hydrologic and hydraulic flood modeling study for a medium-sized ungauged urban catchment area: A case study of Tiruchirappalli City Using HEC-HMS and HEC-RAS // Journal of the Institution of Engineers (india): Series A, 2020, Vol. 101, No. 2, PP 381-398.

127. Slamet, S.; Reviana L. HEC-HMS Model for urban flood analysis in Belik River, Yogyakarta, Indonesia // ASEAN Journal on Science and Technology for Development, 2021, Vol. 38, No. 1, 4.

128. Ben Khelifa W.; Mosbahi M. Modeling of rainfall-runoff process using HEC-HMS model for an urban ungauged watershed in Tunisia // Modeling Earth Systems and Environment, 2022, Vol. 8, No. 2, PP 1749-1758.

129. Fanta S. S.; Sime C. H. Performance assessment of SWAT and HEC-HMS model for runoff simulation of Toba watershed, Ethiopia // Sustainable Water Resources Management, 2022, Vol. 8, PP 1-16.

130. Guduru J. U.; Jilo N. B.; Rabba Z. A.; Namara W. G. Rainfall-runoff modeling using HEC-HMS model for Meki River watershed, rift valley basin, Ethiopia // Journal of African Earth Sciences, 2023, Vol. 197, 104743.

131. Haque M. B.; Karmakar S.; Hossain M. M. Rainfall-runoff modeling using the HEC-HMS flow modeling framework for the Halda River catchment, Bangladesh, 2024, DOI: https://doi.org/10.21203/rs.3.rs-3824469/v1

132. Nda M.; Adnan M. S.; Yusof M. A. M.; Jiya G. S.; Ebenehi I. Y. Soil and Water Assessment Tool (SWAT) for modeling and simulation in water resources engineering // In Proceedings of the 5th NA International conference on industrial engineering and operations management, Detroit, Michigan, USA, IEOM Society International, 2020, PP 1625-1632.

133. Karki R.; Srivastava P.; Veith T. L. Application of the Soil and Water Assessment Tool (SWAT) at field scale: categorizing methods and review of applications // Transactions of the ASABE, 2020, Vol. 63, No. 2, PP 513-522.

134. Zhihua L. V.; Zuo J.; Rodriguez D. Predicting of runoff using an optimized SWAT-ANN: a case study // Journal of Hydrology: Regional Studies, 2020, Vol. 29, 100688.

135. Kibii J. K.; Kipkorir E. C.; Kosgei J. R. Application of Soil and Water Assessment Tool (SWAT) to evaluate the impact of land use and climate variability on the Kaptagat catchment river discharge // Sustainability, 2021, Vol. 13, No. 4, 1802.

136. Song Y. H.; Chung E. S.; Shahid S. Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios // Science of The Total Environment, 2022, Vol. 838, 156162.

137. Zewde N. T.; Denboba M. A.; Tadesse S. A.; Getahun Y. S. Predicting runoff and sediment yields using soil and water assessment tool (SWAT) model in the Jemma Subbasin of Upper Blue Nile // Central Ethiopia. Environmental Challenges, 2024, Vol. 14, 100806.

138. Stuebe M. M.; Johnston D. M. Runoff volume estimation using GIS techniques // JAWRA Journal of the American Water Resources Association, 1990, Vol. 26, No. 4, PP 611-620.

139. Patil J. P.; Sarangi A.; Singh O. P.; Singh A. K.; Ahmad T. Development of a GIS interface for estimation of runoff from watersheds // Water resources management, 2008, Vol. 22, PP 1221-1239.

140. Melesse A. M.; Shih S. F. Spatially distributed storm runoff depth estimation using Landsat images and GIS // Computers and Electronics in Agriculture, 2002, Vol. 37(1-3), PP 173-183.

141. Sishah, S. (2021). Rainfall runoff estimation using GIS and SCS-CN method for awash river basin, Ethiopia. Int. J. Hydrol, 5, 33-37.

142. El Yousfi Y.; Himi M.; El Ouarghi H.; Aqnouy M.; Benyoussef S.; Gueddari H.; Hmeid H. A.; Alitane A.; Chahban M.; Bourdan S.; Riouchi O.; Hamza N.; Tahiri A. GIS preprocessing for rainfall-runoff modeling using HEC-HMS in Nekkor watershed (Al-Hoceima, Northern Morocco) // In E3S Web of Conferences, 2023, Vol. 364, P 01005.

143. Shabestanipour G.; Brodeur Z.; Farmer W. H.; Steinschneider S.; Vogel R. M.; Lamontagne J. R. Stochastic Watershed Model Ensembles for Long-Range Planning: Verification and Validation // Water Resources Research, 2023, Vol. 59, No. 2, e2022WR032201.

144. Brodeur, Z. P., Gupta, R. S., & Steinschneider, S. (2023). A multisite Stochastic Watershed Model (SWM) with intermittency for regional low flow and flood risk analysis. Authorea Preprints.

145. Brodeur Z. P.; Wi S.; Shabestanipour G.; Lamontagne J. R., Steinschneider S. A hybrid, non-stationary Stochastic Watershed Model (SWM) for uncertain hydrologic projections under climate change // Authorea Preprints, 2023.

146. Pareta K. Hydrological modelling of largest braided river of India using MIKE Hydro River software with rainfall runoff, hydrodynamic and snowmelt modules // Journal of Water and Climate Change, 2023, Vol. 14, No. 4, PP 1314-1338.

147. Doulgeris C.; Georgiou P.; Papadimos D.; Papamichail D. (2011). Evaluating three different model setups in the MIKE 11 NAM model // In Advances in the Research of Aquatic Environment, 2011, Vol. 1, PP 241-249.

148. Hafezparast M.; Araghinejad S.; Fatemi S. E.; Bressers J. T. A conceptual rainfall-runoff model using the auto calibrated NAM models in the Sarisoo River// Hydrology: current research, 2013, Vol. 4, No. 1.

149. Jayapadma J. M. M. U.; Wickramaarachchi T. N.; Silva G. H. A. C.; Ishidaira H.; Magome J. (2018). Rainfall-Runoff Modelling Using MIKE 11 (NAM Model): A Case Study of GIN River Basin // In Proceedings of the International Symposium on Advances in Civil and Environmental Engineering Practices for Sustainable Development (ACEPS-2018), 2018, PP 231-238.

150. Razad A. Z. A.; Sidek L. M.; Jung K.; Basri H. Reservoir inflow simulation using MIKE NAM rainfall-runoff model: Case study of cameron highlands // J. Eng. Sci. Technol, 2018, Vol. 13, PP 4206-4225.

151. 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, No. 2, PP 156162.

152. Ghebrehiwot A. A.; Kozlov D. V. Assessment of applicability of mike 11 NAM hydrological module for rainfall runoff modelling in a poorly studied river basin // Vestnik MGSU, 2020, Vol. 15, No. 7, DOI: 10.22227/1997-0935.2020.7.1030-1046.

153. Teshome F. T.; Bayabil H. K.; Thakural L. N.; Welidehanna F. G. Verification of the MIKE11-NAM model for simulating streamflow // Journal of Environmental Protection, 2020, Vol.11, No. 02, 152.

154. Bami Y. S.; Porhemmat J.; Sedghi H.; Jalalkamali N. Performance evaluation of MIKE NAM rainfall-runoff (RR) model in daily flow simulation (case study: Gonbad catchment in Hamedan) // Journal of Applied Engineering Sciences, 2020, Vol. 10, No. 1, PP 1-6.

155. 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, No. 4, PP 2545-2551.

156. Ghosh A.; Roy M. B.; Roy P. K. Evaluating the performance of MIKE NAM model on rainfallrunoff in lower Gangetic floodplain, West Bengal, India // Modeling Earth Systems and Environment, 2022, Vol. 8, No. 3, PP 4001-4017.

157. Shamsudin S.; Hashim N. Rainfall runoff simulation using MIKE11 NAM // Malaysian Journal of Civil Engineering, 2002, Vol. 15, No. 2, PP 26-38.

158. Pareta K. Hydrological modelling of largest braided river of India using MIKE Hydro River software with rainfall runoff, hydrodynamic and snowmelt modules // Journal of Water and Climate Change, 2023, Vol. 14, No. 4, PP 1314-1338.

159. Villazon M. F.; Willems P. Filling gaps and daily disaccumulation of precipitation data for rainfall-runoff model // In Proc. 4th Int. Sci. Conf. BALWOI, 2010, PP 25-29.

160. Lopes Martins L.; Martins W. A.; Rodrigues I. C. D. A.; Freitas Xavier A. C.; Moraes J. F. L. D.; Blain G. C. Gap-filling of daily precipitation and streamflow time series: a method comparison at random and sequential gaps // Hydrological Sciences Journal, 2023, Vol. 68, No. 1, PP 148-160.

161. Zhang X.; Lu Y.; Zhu G.; Wu X.; Zhao D.; Duan B. Annual runoff forecast based on a combined EEMD-ARIMA model // Water Supply, 2022, Vol. 22, No. 8, PP 6807-6820.

162. Arriagada P.; Karelovic B.; Link O. Automatic gap-filling of daily streamflow time series in data-scarce regions using a machine learning algorithm // Journal of Hydrology, 2021, Vol. 598, 126454.

163. Kumar A.; Ramsankaran R. A. A. J.; Brocca L.; Munoz-Arriola F. A simple machine learning approach to model real-time streamflow using satellite inputs: Demonstration in a data scarce catchment // Journal of Hydrology, 2021, Vol. 595, 126046.

164. Dastorani M. T.; Moghadamnia A.; Piri J.; Rico-Ramirez M. Application of ANN and ANFIS models for reconstructing missing flow data // Environmental monitoring and assessment, 2010, Vol. 166, PP 421-434.

165. Nourani V.; Kalantari O. Integrated artificial neural network for spatiotemporal modeling of rainfall-runoff-sediment processes // Environmental Engineering Science, 2010, Vol. 27, No. 5, PP 411-422.

166. Elshorbagy A.; Simonovic S. P.; Panu U. S. Performance evaluation of artificial neural networks for runoff prediction // Journal of Hydrologic Engineering, 2000, Vol. 5, No. 4, PP 424-427.

167. Machado F.; Mine M.; Kaviski E.; Fill H. Monthly rainfall-runoff modelling using artificial neural networks // Hydrological Sciences Journal-Journal des Sciences Hydrologiques, 2011, Vol. 56, No. 3, PP 349-361.

168. Ren H.; Cromwell E.; Kravitz B.; Chen X. Using long short-term memory models to fill data gaps in hydrological monitoring networks // Hydrology and Earth System Sciences, 2022, Vol. 26, No. 7, PP 1727-1743.

169. Ghebrehiwot A. A.; Kozlov D. V. Assessment of applicability of MIKE 11-NAM hydrological module for rainfall runoff modelling in a poorly studied river basin // African Journal of Food, Agriculture, Nutrition & Development, 2020, Vol. 20, No. 4.

170. Huang Q.; Qin G.; Zhang Y.; Tang Q.; Liu C.; Xia J.; ...& Post D. Using remote sensing data-based hydrological model calibrations for predicting runoff in ungauged or poorly gauged catchments // Water Resources Research, 2020, Vol. 56, No. 8, e2020WR028205.

171. Nazeer A.; Maskey S.; Skaugen T.; McClain M. E. Simulating the hydrological regime of the snow fed and glaciarised Gilgit Basin in the Upper Indus using global precipitation products and a data parsimonious precipitation-runoff model // Science of The Total Environment, 2022, Vol. 802, 149872.

172. Rajendran M.; Gunawardena E. R. N.; Dayawansa N. D. K. Runoff prediction in an ungauged catchment of Upper Deduru Oya Basin, Sri Lanka: A comparison of HEC-HMS and WEAP models // Int. J. Progress. Sci. Technol, 2020, Vol. 18, PP 121-129.

173. Ben Khelifa W.; Mosbahi M. Modeling of rainfall-runoff process using HEC-HMS model for an urban ungauged watershed in Tunisia // Modeling Earth Systems and Environment, 2022, Vol. 8, No. 2, PP 1749-1758.

174. Nageswara Rao K. Analysis of surface runoff potential in ungauged basin using basin parameters and SCS-CN method // Applied Water Science, 2020, Vol. 10, PP 1-16.

175. Бельчиков В.А. Модель формирования талого и дождевого стока для лесных водосборов / В.А. Бельчиков, В.И. Корень // Труды Гидрометцентра СССР. - 1979. - № 218. - С. 3-21.

176. Корень В.И. Математические модели в прогнозах речного стока // В.И. Корень. -Ленинград: Гидрометеоиздат, 1991. - 200 с.

177. Kuchment L.S. A physically-based model of the formation of snowmelt and rainfall runoff / L.S. Kuchment, V.N. Demidov, Yu.G. Motovilov // Symposium on the Modelling Snowmelt-Induced Processes. E.M. Morris (Ed.). IAHS Press, Wallingford, UK. - 1986. - № 155. - PP 27-36.

178. Калинин Г.П. От аэрокосмических снимков к расчетам и прогнозам стока // Г.П. Калинин. - Ленинград: Гидрометеоиздат, 1974. - 40 с.

179. Музылев Е.Л. Моделирование стока горных рек и спутниковая информация // Е.Л. Музылев. - М: Наука, 1987. - 136 с.

180. Motovilov Yu.G. ECOMAG: regional model of hydrological cycle and pollution transformation in river basins (Application to the NOPEX region) / Yu.G. Motovilov // Report Research Council of Norway, Oslo-Moscow, 1995. - 64 p.

181. Кучмент Л.С. Динамико-стохастические модели формирования речного стока // Л.С. Кучмент, А Н. Гельфан. - М: Наука, 1993. - 104 с.

182. Ситнов А. Н.; Кочкурова Н. В. ОСОБЕННОСТИ ВОССТАНОВЛЕНИЯ ГИДРОЛОГИЧЕСКИХ ДАННЫХ ДЛЯ ГИДРОПОСТА ПРИ НЕДОСТАТОЧНОСТИ ИНФОРМАЦИИ // In Великие реки-2020, 2020, PP 41-41.

183. Чеснокова А. И. Низкая водность в бассейне Верхнего Дона и водохозяйственные и гидроэкологические последствия современной динамики // In Четвертые Виноградовские Чтения. Гидрология От Познания К Мировоззрению, 2020, c 838-842.

184. Добров Д. П.; Янюк В. М. Особенности Проектных изысканий для установления «Зона затопления и подтопления» // In Управление объектами недвижимости и развитием территорий, 2021, с 43-47.

185. Лобанов В. А.; Наурозбаева Ж. К. (2021). Влияние изменения климата на ледовый режим Северного Каспия // СПб.: РГГМУ, 2021.

186. Hreiche A.; Bocquillon C.; Najem W. River Flow Simulation within Ungauged Catchments inLebanon using a semi-distributed rainfall-runoff model // International Congress on Environmental Modelling and Software 2006, Vol. 334.

187. Hayek A., Tabaja N., Khraibani Z., Andaloussi S. A., Toufaily J., et al. Modeling of Runoff as a Function of Temperature and Precipitation : Application to the Litani River in Lebanon // J. Earth Sci. Clim. Change, 2019, Vol. 10, 526.

188. 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, No. 3, 134.

189. Hammouri N.; El-Naqa A. Hydrological modeling of ungauged wadis in arid environments using GIS: a case study of Wadi Madoneh in Jordan // Revista mexicana de ciencias geológicas, 2007, Vol. 24, No. 2, PP 185-196.

190. Abdulla F. A.; Al-omari A. S. Impact of climate change on the monthly runoff of a semi-arid catchment: Case study Zarqa River Basin (Jordan) // Journal of Applied Biological Sciences, 2008, Vol. 2, No. 1, PP 43-50.

191. Abushandi E.; Merkel B. Modelling rainfall runoff relations using HEC-HMS and IHACRES for a single rain event in an arid region of Jordan // Water resources management, 2013, Vol. 27, PP 2391-2409.

192. Hadadin N., Modeling of Rainfall-Runoff Relationship in Semi-Arid Watershed in the Central Region of Jordan // Jordan Journal of Civil Engineering, 2016, Vol. 10, No. 2, PP 209-218.

193. Zakaria S.; Mustafa Y.; Mohammed D.; Ali S.; Al-Ansari N.; Knutsson S. Estimation of annual harvested runoff at Sulaymaniyah Governorate, Kurdistan region of Iraq // Natural Science, 2013, Vol. 5, PP 1272-1283.

194. 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, 58.

195. Osman Y.; Al-Ansari N.; Abdellatif M. Climate change model as a decision support tool for water resources management in northern Iraq: a case study of Greater Zab River // Journal of Water and Climate Change, 2019, Vol. 10, No. 1, PP 197-209.

196. Sayed B. T.; Al-Mohair H. K.; Alkhayyat A.; Ramírez-Coronel A. A.; Elsahabi M. Comparing machine-learning-based black box techniques and white box models to predict rainfall-runoff in a northern area of Iraq, the Little Khabur River // Water Science and Technology, 2023, Vol. 87, No. 3, PP 812-822.

197. Baahmed D.; Oudin L.; Errih M. Current runoff variations in the Macta catchment (Algeria): is climate the sole factor? // Hydrological Sciences Journal, 2015, Vol. 60(7-8), PP 1331-1339.

198. Bachir S.; Nouar B.; Hicham C.; Azzedine H.; Larbi D. Application of GR2M for rainfall-runoff modeling in Kébir Rhumel Watershed, north east of Algeria // World Appl. Sci. J, 2015, Vol. 33, PP 1623-1630.

199. Derdour A.; Bouanani A.; Babahamed K. Modelling rainfall runoff relations using HEC-HMS in a semi-arid region: Case study in Ain Sefra watershed, Ksour Mountains (SW Algeria) // Journal of water and land development, 2018, Vol. 36, PP 45-55.

200. Belaroui A.; Haouchine F.Z.; Haouchine A. Rainfall-runoff modeling: flow characterization of Hammam Melouane Wadi Algeria // Arab J Geosci, 2019, Vol. 12, PP 1-11.

201. Abdelkebir B.; Maoui A.; Mokhtari E.; Engel B.; Chen J.; Aboelnour M. Evaluating Low-Impact Development practice performance to reduce runoff volume in an urban watershed in Algeria // Arabian Journal of Geosciences, 2021, Vol. 14, No. 9, 814.

202. Haddad A.; Remini B. Extreme rainfall-runoff events modeling by HEC-HMS model for Koudiet Rosfa watershed, Algeria // GeoScience Engineering, 2021, Vol. 67, No. 4, PP 144-155.

203. Abdi I.; Meddi M. Comparison of conceptual rainfall-runoff models in semi-arid watersheds of eastern Algeria // Journal of Flood Risk Management, 2021, Vol. 14, No. 1, e12672.

204. Aqnouy M.; Ahmed M.; Ayele G. T.; Bouizrou I.; Bouadila A.; Stitou El Messari J. E. Comparison of hydrological platforms in assessing rainfall-runoff behavior in a Mediterranean watershed of Northern Morocco // Water, 2023, Vol. 15, No. 3, 447.

205. Pala A. Runoff modelling of rural catchments in Turke //, Journal of Arid Environments, 2003, Vol. 54, Issue 3, PP 505-512.

206. Yüksel A.; Akay A.E.; Gundogan R.; Reis M.; Cetiner M. Application of GeoWEPP for Determining Sediment Yield and Runoff in the Orcan Creek Watershed in Kahramanmaras, Turkey // Sensors 2008, Vol. 8, PP 1222-1236.

207. Pekta§ A. O.; Cigizoglu H. K. ANN hybrid model versus ARIMA and ARIMAX models of runoff coefficient // Journal of hydrology, 2013, Vol. 500, PP 21-36.

208. Kisi O.; Shiri J.; Tombul M. Modeling rainfall-runoff process using soft computing techniques // Computers & Geosciences, 2013, Vol. 51, PP 108-117.

209. Behmanesh J.; Ayashm S. (2015). Rainfall-runoff modeling in the Turkey River using numerical and regression methods // Journal of Fundamental and Applied Sciences, Vol. 7, No. 1, PP 91-102.

210. Mehr A. D.; Akdegirmen O. Estimation of urban imperviousness and its impacts on flash floods in Gazipa§a, Turkey // Knowledge-Based Engineering and Sciences, 2021, Vol. 2, No. 1, PP 9-17.

211. Goyal M. K.; Ojha C. S. P. Analysis of mean monthly rainfall runoff data of Indian catchments using dimensionless variables by neural network // Journal of Environmental Protection, 2010, Vol. 1 No. 2, PP 155-171.

212. Ray Singh M. Simulation of Runoff and Flood Inundation Inkosi River Basin Using Hydrological Models, Ann, Remote Sensing and GIS // Doctoral dissertation, National Institute of Technology Rourkela, Odisha, India, 2012.

213. Santra P.; Das B. S. Modeling runoff from an agricultural watershed of western catchment of Chilika lake through ArcSWAT // Journal of Hydro-environment Research, 2013, Vol. 7, Issue 4, PP 261-269.

214. Santra Mitra, S.; Wright J.; Santra A.; Ghosh A. R. An integrated water balance model for assessing water scarcity in a data-sparse interfluve in eastern India // Hydrological Sciences Journal, 2015, Vol. 60, No.10, PP 1813-1827.

215. Hasan M. S.; Singh S. K; Sudhanshu, Estimation of Surface runoff using geospatial model: A case study of Gandheshwari watershed, Bankura, West Bengal, India // Environ. We Int. J. Sci. Tech., 2018, Vol. 13, PP 9-27.

216. Ghosh A.; Roy M. B.; Roy P. K. Evaluating the performance of MIKE NAM model on rainfallrunoff in lower Gangetic floodplain, West Bengal, India // Modeling Earth Systems and Environment, 2022, Vol. 8, No. 3, PP 4001-4017.

217. Ammar G. A.; Haidar B. Y.; Darwish A. Q. A. An Artificial Neural Network Model for Monthly Precipitation Forecasting in Homs Station, Syria // American Journal of Innovative Research and Applied Sciences, 2017, Vol. 4, No. 6, PP 240-246.

218. Ammar G. A.; Darwish A. Q. A.; Slieman A. A. Using a neurogenetic model to estimate the missing values of daily rainfall // Al-Baath University Scientific Journal, 2018, vol. 40.

219. Ammar G. A.; Darwish A. Q. A.; Slieman A. A. Infilling Daily Precipitation Data Using Feed Forward Back-Propagation Artificial Neural Networks (ANN), HAMA, SYRIA // American Journal of Innovative Research and Applied Sciences, 2018, ISSN 2429-5396.

220. Ammar G. A.; Slieman A. A.; Darwish A. Q. A. Filling of Missing Daily Precipitation Data in Tal-Kalakh Station Using Artificial Neural Networks // Tishreen University Journal for Research and Scientific Studies -Engineering Sciences Series, 2019, Vol. 14, No. 1.

221. Ammar G. A.; Slieman A. A.; Darwish A. Q. A. Integration of Artificial Neural Networks and Genetic Algorithms Models in Filling of Missing Precipitation Data // Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series, 2019, Vol. 41, No. 5.

222. Ammar G. A.; Slieman A. A. Prediction of Monthly Pan Evaporation in Homs Meteostation Using Artificial Neural Networks // Tishreen University Journal for Research and Scientific Studies -Engineering Sciences Series, 2016, Vol. 38, No. 5.

223. Ammar G. A.; Slieman A. A. Prediction of Monthly Reference Evapotranspiration Using Artificial Neural Networks and Fuzzy Inference System // Journal of Al-Baath University, 2017, Vol. 39.

224. Ammar G. A.; Badia Y. H.; Slieman A. A. Estimation of reference evapotranspiration based on only temperature data using artificial neural network // American Journal of Innovative Research and Applied Sciences, 2017, PP 157-162.

225. Ammar G.; Eskandar J. K. A Hybrid ARIMA and Artificial Neural Networks (ANN) Model for Daily Maximum and Minimum Temperature Forecast // Tishreen University Journal-Engineering Sciences Series, 2019, Vol. 41, No. 6.

226. Ammar G. A.; Darwish A. Q. A.; Slieman A. A. Artificial Neural Network Model to Predict Water Levels in Qattinah Lake // Journal of Al-Baath University, 2017, Vol. 39.

227. Taha A. A. Hydrological study and conceptual model of the Al-Awj Basin // Damascus University Journal, 2002, Vol. 18, No. 1.

228. Ammar G.; Alasaad A.; Abdalrahman A.; Hayek S. Impact of Climate Changes on the Discharges of Al-Kabeer Al-Shemale River // Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series, 2013, Vol. 35, No. 3.

229. Abdalrahman A.; Khalil R. Flood Mapping of Northern Alkabir River BasinDue to Proposed Failure of 16 Tishreen Dam // Tishreen University Journal for Research and Scientific Studies -Engineering Sciences Series, 2016, Vol. 38, No. 5.

230. Alasaad A.; Ali R. Rainfall - Runoff Relationship in Alsafarqieh Watershed // Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series, 2018, Vol. 40, No. 3.

231. Issa M. The relationship between river flow and precipitation in the Orontes Basin // Damascus University Journal, 2015, Vol. 31, No. 2.

232. 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, No. 43.

233. Tessema, S. M. Hydrological modeling as a tool for sustainable water resources management: a case study of the Awash River Basin // Doctoral dissertation, KTH Royal Institute of Technology, 2011.

234. Yevjevich V. Tendencies in hydrology research and its applications for 21st century // Water Resources Management, 1991, Vol. 5, PP 1-23.

235. McMillan H. K.; Westerberg I. K.; Krueger T. Hydrological data uncertainty and its implications // Wiley Interdisciplinary Reviews: Water, 2018, Vol. 5, No. 6, e1319.

236. (Эль-Аси // Экслибрис — Яя. — М.: Советская энциклопедия, 1978. — (Большая советская энциклопедия: [в 30 т.] / гл. ред. А.М. Прохоров; 1969—1978, т. 30)).

237. UN-ESCWA and BGR (United Nations Economic and Social Commission for Western Asia; Bundesanstalt für Geowissenschaften und Rohstoffe). 2013. Inventory of Shared Water Resources in Western Asia. Beirut.

238. WeatherSpark.com

239. Jaubert R.; Saadé M.; Al Dbiyat M.; Haj Asaad A. Atlas of the Orontes River Basin, Water Security - Orontes River Basin, 2015, Graduate Institute of International and Development Studies, Geo Expertise, Retrieved in 2022.

240. Traboulsi M. Le climat de la Syrie: exemple d'une dégradation vers l'aride du climat méditerranéen // Doctoral dissertation, Université de Lyon II, 1981.

241. Blanchet G. Circulation atmosphérique et précipitations au Liban. Publications de l'Association Internationale de Climatologie, 1993, 6, PP 325-332.

242. Blanchet G.; Traboulsi M. Froid, pluie, neige et tempête au Proche-Orient durant l'hiver 199192. Publications de l'Association Internationale de Climatologie, 1993, 6, PP 433-441.

243. Traboulsi M. Les précipitations au Proche-Orient, variabilité spatio-temporelle et relation avec la dynamique de l'atmosphère (1960-61/1989-90), Atelier de Reproduction de thèse, Lille, 2004, 3, 233p.

244. Church J. M. Water planning to achieve the Sustainable Development Goals // In Clean Water and Sanitation, 2021, PP 1-13, Cham: Springer International Publishing.

245. Phadermrod B.; Crowder R. M.; Wills G. B. Importance-Performance Analysis based SWOT analysis // International Journal of Information Management, 2016.

246. Gao X.; Chen L.; Sun B.; Liu Y. Employing SWOT Analysis and Normal Cloud Model for Water Resource Sustainable Utilization Assessment and Strategy Development // Sustainability 2017, Vol. 9, No. 8, 1439.

247. Yaghi T. K.; Khozam K. Response of Peanut (Arachis hypogea L.) to Different Types and Doses of Boron Fertilizer under Deficit Irrigation Conditions Modeling and Monitoring Water Resources

for Development of The Upper and Midmost Orontes Basins in Syria // Syrian Journal of Agricultural Research - SJAR, 2019, Vol. 6, No. 1, PP 207-225.

248. Al Joudi H.; Khider B. The Assessment of Irrigation Water Quality and its Agricultural Uses at Al-assiBasin.According To (B.O.D - E.C- S.A.R) // Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series, 2009, Vol. 31, No. 2.

249. Отчет о загрязнении бассейна реки Оронтес, Генеральная компания технических исследований и консультаций.

250. Отчет о сотрудничестве между странами на региональном уровне в области управления водными ресурсами, тематические исследования некоторых стран в регионе ESCWA, Экономическая и социальная комиссия для Западной Азии, ESCWA.

251. Yaghi T. application of water accounting system (WAS) and WEAP21 program for rationalization of water resources utilization in the upper and midmost Orontes basins - Syria // PHD thesis, Department of Rural Engineering, Faculty of Agriculture, University of Aleppo, 2016.

252. Report on climate change and the environment in the Mediterranean Basin (current status and future risks), Mediterranean Experts on Climate and environmental Change (MedECC), 2020.

253. Слейман А., Козлов Д.В. Использование искусственных нейронных сетей для оценки поверхностного стока в расчетах водохозяйственного баланса бассейна реки Верхний Оронтес // Водное хозяйство России: проблемы, технологии, управление. 2024. № 3. С. 2137. D0I:10.35567/19994508-2024-3-21-37

254. Воронин А. А.; Губко М. В.; Мишин С. П.; Новиков Д. А. Математические модели организаций, 2008.

255. Mariethoz G.; Gómez-Hernández J. J. Machine learning for water resources // Frontiers in Artificial Intelligence, 2021, Vol. 4, 699862. doi: 10.3389/frai.2021.699862

256. Соломатин Д. П.; Морейдо В.М. Методы машинного обучения и гибридные модели в гидрологическом прогнозировании. Практикум М. // Институт водных проблем Российской академии наук, 2020.

257. Канторович, Г. Г. Лекции: Анализ временных рядов // Экономический журнал Высшей школы экономики, 2002, Vol. 6, No. 1, PP 85-116.

258. Karakoyun E. S.; Cibikdiken A. O. (2018, May). Comparison of arima time series model and lstm deep learning algorithm for bitcoin price forecasting // In The 13th multidisciplinary academic conference in Prague, 2018, Vol. 2018, PP 171-180.

259. Siami-Namini S.; Tavakoli N.; Namin A. S. (2018, December). A comparison of ARIMA and LSTM in forecasting time series // In 2018 17th IEEE international conference on machine learning and applications (ICMLA), 2018, PP 1394-1401. Ieee.

260. Muslim H. A. Time Series Analysis for Customs Revenue Prediction using Arima Model in Python // Journal of Information Technology and Its Utilization 2022, Vol. 5, No. 2, PP 47-55.

261. https://digitrain.ru/articles/50420/ Введение в ARIMA для прогнозирования временных рядов, 04.01.2023 - digitrain.ru

262. Slieman, A.A.; Kozlov D. Comparison of FIS and ARIMA models in runoff estimating // E3S Web of Conferences, 2023, 410, 050142023.

263. Abdul M.; Qutaiba. M. Using the artificial intelligent in electrical engineering application (Study and Comparison) // Arab Academy in Denmark, 2009.

264. Uhrig R. E.; Hines J. W.; Nelson W. R. Integration of Artificial Intelligence Systems for Nuclear Power Plant Surveillance and Diagnostics, 2012.

265. Al-Abbasi A. H. M. Introduction to Artificial Neural Networks and their Applications in Social Sciences Using SPSS // Institute of Statistical Studies and Research, Department of Biostatistics and Population, Cairo University, 2013.

266. Matar D. R.; Elias I. Analysis and Modeling of Time Series of Water Flow Entering Mosul City // Iraqi Journal of Statistical Sciences, 2010, Vol. 18, PP 1-32.

267. Al-Sharqawi M. A. Artificial Intelligence and Neural Networks. Artificial Intelligence Center for Computers, 1996.

268. Abdul Mohsen K. A.; Tawfiq A. R. Artificial Neural Network for Single-Storage System Operation // AL-Rafidain Engineering, 2013, Vol. 22, No. 2, PP 29-37.

269. Agatonovic-Kustrin S.; Beresford R. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research // Journal of pharmaceutical and biomedical analysis, 2000, Vol. 22, No. 5, PP 717-727.

270. Graupe D. Principles of Artificial Neural Networks // Advanced Series on Circuits and Systems, 2007, Vol. 6, World Scientific.

271. Beale M. H.; Hagan M. T.; Demuth H. B. Neural Network Toolbox // User's Guide. Math Works, R2015a.

272. Kasabov N. K. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering // Massachusetts Institute of Technology, 1996.

273. SHANK D. B. Dew Point Temperature Prediction Using Artificial Neural Networks. Athens, Georgia. Harding University, 2003.

274. Kumar M.; Raghuwanshi N. S.; Singh R.; Wallender W. W.; Pruitt W. O. (2002). Estimating evapotranspiration using artificial neural network // Journal of irrigation and drainage engineering, 2002, Vol. 128, No. 4, PP 224-233.

275. Mustafa M. Using Box-Jengis Method and Fuzzy Logic in Forecasting and Controlling Time Series // Iraqi Statistical Sciences Series, 2012, PP 167-187.

276. Ghosh A.; Roy M. B.; Roy P. K. Evaluating the performance of MIKE NAM model on rainfallrunoff in lower Gangetic floodplain, West Bengal, India // Modeling Earth Systems and Environment, 2022, Vol. 8, No. 3, PP 4001-4017.

277. Ali Slieman A., Kozlov D. A Comparative Study between Artificial Neural Networks and Fuzzy Inference System for Estimation and Filling of Missing Runoff Data at Al-Jawadiyah Station // E3S Web of Conferences, 2021, 264, 01048

278. Ali Slieman A., Kozlov D. Estimation and filling of missing runoff data at Al-Jawadiyah station using artificial neural networks // E3S Web of Conferences, 2021, 263, 05034

279. Слейман А.; Козлов Д.В. Настройка пользовательского интерфейса для оценки стока в бассейне реки Эль-Аси с использованием искусственного интеллекта // Вестник МГСУ. 2022. Т. 17. Вып. 11. С. 1471-1477. DOI: 10.22227/1997-0935.2022.11.1471-1477

280. Slieman A.A., Kozlov D. Verification of MIKE 11-NAM Model for runoff modeling using ANN, FIS, and ARIMA methods in poorly studied basin // E3S Web of Conferences, 2023, 401, 01035

281. Slieman A.A., Kozlov D.V. Evaluating Different Machine Learning Models for Runoff Modelling // E3S Web of Conferences, 2023, 457, 02040

282. Silva-Hidalgo H.; Martín-Domínguez I.R.; Alarcón-Herrera M.T.; et al. Mathematical Modelling for the Integrated Management of Water Resources in Hydrological Basins // Water Resour Manage, 2009, Vol. 23, PP 721-730.

283. DHI. A Modelling System for Rivers and Channels Reference Manual. - 2017

284. Dooge J.C.I. Looking for hydrologic laws / J.C.I. Dooge // Water Resours. Res. - 1986. - Т. 22, № 9. - P. 46-58SS

285. Madsen H. Comparison of different automated strategies for calibration of rainfall - runoff models / H. Madsen, G. Wilson, H.C. Ammentorp // J. Hydrol. - 2002. - Т. 261, № 1-4. - PP 48-59

286. Слейман А., Козлов Д.В. Эффективность программы MIKE-NAM для моделирования стока с использованием моделей искусственного интеллекта // Строительство: наука и образование. 2022. Т. 12. № 4. С. 89-102. DOI: 10.22227/2305-5502.2022.4.7

287. Slieman, A., Kozlov, D. Evaluating performance of MIKE 11 NAM model for runoff modeling on upper basin of Orontes River in Syria // E3S Web of Conferences, 2023, 365, 03004

288. Tutorial of hydrological calculations, Database management tools (DBMS) (Hydro calculations) (software package Hydrocalculations) http://hydrotec.spb.ru/.

289. Tutorial of hydrological calculations, program Analogue (software package Hydro calculations) http://hydrotec.spb.ru/.

290. Слейман А.; Козлов Д.В. Моделирование речного стока в условиях недостаточного информационного обеспечения // гидротехническое строительство, 2024. № 7. С. 7-16.

ПРИЛОЖЕНИЕ А

Временной ряд речного стокана гидрометрической станции Аль- Джавадияи Аль-Амири

Данные станции Аль-Джавадия

Данные станции Аль-Амири

Январь Февраль Март Апрель Май Июнь Июль Август Сентябрь Октябрь Ноябрь Декабрь

о 00 - - - - - - - - - - - -

о\ 3.67 7.30 8.03 7.39 9.35 10.97 8.72 7.69 6.45 5.86 6.07 5.80

00 - - - - - - - - - - - -

о\ 5.82 6.57 10.30 10.44 9.40 8.83 8.12 7.25 7.91 5.99 5.90 6.09

<М 00 - - - - - - - - - - - -

о\ 5.59 6.80 9.46 7.92 7.08 7.62 5.11 4.65 3.41 3.22 2.26 3.31

СП 00 - - - - - - - - - - - -

о\ 3.23 3.15 6.08 6.43 7.71 9.24 8.47 6.43 7.21 6.79 7.53 6.99

00 - - - - - - - - - - - -

о\ 6.06 9.41 6.50 6.49 8.41 7.43 6.22 6.17 5.96 3.67 3.45 3.27

"Л 00 - - - - - - - - - - - -

о\ 3.24 5.93 7.68 6.52 6.84 6.20 5.70 4.14 2.20 1.92 1.45 1.59

ю 00 - - - - - - - - - - - -

о\ 2.67 4.26 5.15 3.04 3.16 2.30 1.68 0.49 0.34 0.60 0.85 1.17

г-00 - - - - - - - - - - 7.76 8.13

о\ 4.26 6.31 9.80 6.31 6.70 11.71 9.65 6.69 4.89 4.74 4.89 5.04

00 00 8.52 10.56 12.17 10.53 9.95 10.86 9.51 8.76 - - 11.14 -

о\ 6.25 8.39 10.08 9.48 8.39 8.26 8.11 6.70 6.76 7.46 9.46 10.45

о\ 00 - 8.82 10.25 5.28 5.24 6.30 3.87 2.33 2.40 4.53 4.96 5.60

о\ 9.56 9.38 9.30 4.40 4.62 5.39 1.88 1.58 1.28 3.13 4.06 3.14

о 5.16 5.30 6.73 4.65 3.72 4.00 4.38 1.56 1.26 2.84 2.89 2.93

о\ 5.10 4.94 6.07 4.53 3.69 2.87 3.56 1.26 0.50 3.75 3.23 2.91

3.31 3.81 4.91 8.55 6.24 6.65 4.34 1.85 2.73 2.94 3.43 4.46

о\ 3.35 3.93 4.82 8.20 8.89 6.60 4.39 1.55 1.67 3.64 3.75 3.93

<М 6.50 8.80 9.31 11.28 9.75 11.39 11.22 11.13 10.84 9.92 12.41 13.48

о\ 6.07 7.64 9.38 10.97 7.63 7.95 9.79 7.49 9.13 8.47 12.27 12.25

СП 13.66 3.34 12.34 11.17 10.86 10.19 10.64 8.98 9.27 10.65 11.80 13.02

о\ 11.46 11.80 11.15 12.43 8.39 7.89 10.19 9.11 8.99 7.81 9.88 11.95

^ о\ 12.38 12.63 12.01 7.44 7.51 8.38 9.46 5.22 6.88 8.00 6.81 8.73

о\ 9.60 9.86 10.91 7.89 6.61 7.89 8.53 6.95 5.54 7.40 6.29 8.25

"Л 9.13 10.70 7.37 9.56 7.47 9.25 7.52 6.65 5.04 6.63 6.7 6.66

о\ 9.48 9.15 10.98 10.37 8.08 9.25 7.98 7.46 5.74 5.79 6.24 5.90

Данные станции Аль-Джавадия

Данные станции Аль-Амири

Январь Февраль Март Апрель Май Июнь Июль Август Сентябрь Октябрь Ноябрь Декабрь

8.26 9.18 8.56 9.74 0.09 7.55 7.43 6.15 5.39 5.01 5.79 4.94

о\ 5.03 8.41 8.52 9.23 7.80 7.83 7.69 6.19 5.28 5.41 5.16 4.92

г- 5.51 6.00 6.94 10.33 8.07 7.76 8.90 6.30 8.37 8.12 7.88 7.28

о\ 5.74 5.51 6.66 9.46 7.74 8.37 10.00 8.02 7.84 7.79 6.80 6.23

00 6.44 8.09 9.01 10.13 7.66 8.39 8.50 6.02 6.08 6.43 7.06 5.64

о\ 6.62 7.08 9.26 10.58 7.75 8.56 8.60 6.74 5.12 5.99 8.84 5.41

о\ 5.56 6.24 5.24 6.69 6.47 4.55 3.13 1.68 1.46 1.71 2.94 3.56

о\ 5.52 5.17 5.05 6.92 6.70 5.50 4.57 3.31 3.51 3.05 2.92 3.01

о о 3.18 4.20 5.13 5.29 6.99 5.51 3.63 3.18 1.24 1.71 3.53 3.51

о <М 3.13 4.38 4.25 6.91 8.97 - 5.12 3.39 2.06 2.47 3.35 2.65

о 3.68 4.40 6.27 6.48 8.06 3.378 3.25 2.05 1.16 1.11 3.05 3.99

о <М 3.30 3.29 6.95 6.14 6.03 4.99 3.78 3.16 2.09 1.59 2.48 3.00

<м о 3.88 4.25 6.15 8.00 6.40 7.45 5.49 4.33 3.23 3.06 3.72 5.80

о <М 4.00 4.21 6.00 8.90 9.27 7.96 7.04 5.25 4.90 3.37 3.25 3.72

СП о 9.04 10.22 12.07 12.05 8.90 8.76 9.78 5.90 10.49 9.50 11.70 12.48

о <м 9.86 8.16 10.60 10.45 10.30 9.33 10.55 7.73 8.86 9.42 11.67 11.53

о 12.56 13.64 13.59 10.18 9.75 10.41 8.30 8.36 8.18 7.95 9.96 11.61

о <м 11.93 11.40 11.74 9.83 9.57 9.06 7.93 7.73 7.08 7.03 8.77 10.67

"Л о 11.64 11.95 12.83 8.92 8.27 10.12 7.28 6.93 8.24 6.70 9.29 6.73

о <м 9.57 11.00 11.85 9.02 8.29 8.21 7.27 6.84 6.69 5.85 8.54 7.34

ю о 10.81 9.85 7.65 10.19 6.75 6.65 7.39 7.65 3.82 4.73 5.41 5.01

о <М 8.16 7.13 5.52 9.04 5.52 5.00 - 5.99 3.58 4.29 4.86 4.51

го 5.50 6.67 6.54 5.79 5.30 3.47 2.38 2.78 2.94 2.95 4.10 3.28

о <М 3.63 3.90 4.47 5.18 4.49 2.78 1.93 2.14 - - 3.30 -

00 о 3.47 4.15 4.70 8.10 5.80 5.27 3.10 1.80 0.90 0.84 - 1.88

о <М 2.40 4.53 5.45 4.53 4.45 3.66 4.01 1.59 1.67 1.70 2.74 2.35

о\ о - 3.77 4.33 6.62 9.20 - 7.33 - - - 3.96 5.40

о <м 3.87 3.14 4.61 5.65 7.60 6.12 6.07 5.14 2.57 4.06 6.24 6.59

о - - 8.84 6.54 6.74 5.36 - 2.52 1.84 2.56 2.87 2.26

о <М 4.60 6.60 5.69 4.89 6.95 4.87 3.45 2.91 4.34 2.41 4.02 2.86

- 4.03 5.24 8.22 8.32 8.52 - - - - - - -

о <М 5.13 3.62 7.64 5.31 6.18 7.08 4.80 2.69 2.68 2.48 6.83 2.10

ПРИЛОЖЕНИЕ Б

Временной ряд речного стокана гидрометрической станции Аль- Джавадияи Аль-Амири, после оценки недостающих значений с помощью моделей искусственных нейронных сетей

Данные станции Аль-Джавадия

Данные станции Аль-Амири

Январь Февраль Март Апрель Май Июнь Июль Август Сентябрь Октябрь Ноябрь Декабрь

о 00 - - - - - - - - - - - -

OS 3.67 7.30 8.03 7.39 9.35 10.97 8.72 7.69 6.45 5.86 6.07 5.80

00 - - - - - - - - - - - -

OS 5.82 6.57 10.30 10.44 9.40 8.83 8.12 7.25 7.91 5.99 5.90 6.09

<N 00 - - - - - - - - - - - -

OS 5.59 6.80 9.46 7.92 7.08 7.62 5.11 4.65 3.41 3.22 2.26 3.31

m 00 - - - - - - - - - - - -

OS 3.23 3.15 6.08 6.43 7.71 9.24 8.47 6.43 7.21 6.79 7.53 6.99

00 - - - - - - - - - - - -

OS 6.06 9.41 6.50 6.49 8.41 7.43 6.22 6.17 5.96 3.67 3.45 3.27

«4 00 - - - - - - - - - - - -

OS 3.24 5.93 7.68 6.52 6.84 6.20 5.70 4.14 2.20 1.92 1.45 1.59

\D 00 - - - - - - - - - - - -

OS 2.67 4.26 5.15 3.04 3.16 2.30 1.68 0.49 0.34 0.60 0.85 1.17

f-00 - - - - - - - - - - 7.76 8.13

OS 4.26 6.31 9.80 6.31 6.70 11.71 9.65 6.69 4.89 4.74 4.89 5.04

00 00 8.52 10.56 12.17 10.53 9.95 10.86 9.51 8.76 8.53 8.46 11.14 11.59

OS 6.25 8.39 10.08 9.48 8.39 8.26 8.11 6.70 6.76 7.46 9.46 10.45

OS 00 12.19 8.82 10.25 5.28 5.24 6.30 3.87 2.33 2.40 4.53 4.96 5.60

OS 9.56 9.38 9.30 4.40 4.62 5.39 1.88 1.58 1.28 3.13 4.06 3.14

о OS 5.16 5.30 6.73 4.65 3.72 4.00 4.38 1.56 1.26 2.84 2.89 2.93

OS 5.10 4.94 6.07 4.53 3.69 2.87 3.56 1.26 0.50 3.75 3.23 2.91

OS 3.31 3.81 4.91 8.55 6.24 6.65 4.34 1.85 2.73 2.94 3.43 4.46

OS 3.35 3.93 4.82 8.20 8.89 6.60 4.39 1.55 1.67 3.64 3.75 3.93

<N OS 6.50 8.80 9.31 11.28 9.75 11.39 11.22 11.13 10.84 9.92 12.41 13.48

OS 6.07 7.64 9.38 10.97 7.63 7.95 9.79 7.49 9.13 8.47 12.27 12.25