НАСТРОЙКА ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА ДЛЯ ОЦЕНКИ СТОКА В БАССЕЙНЕ РЕКИ ЭЛЬ-АСИ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Текст научной статьи по специальности «Строительство и архитектура»

ГИДРАВЛИКА. ГЕОТЕХНИКА. ГИДРОТЕХНИЧЕСКОЕ СТРОИТЕЛЬСТВО

НАУЧНАЯ СТАТЬЯ / RESEARCH PAPER УДК 556.535.3

DOI: 10.22227/1997-0935.2022.11.1471-1477

Настройка пользовательского интерфейса для оценки стока в бассейне реки Эль-Аси с использованием искусственного интеллекта

Алаа Слейман, Дмитрий Вячеславович Козлов

Национальный исследовательский Московский государственный строительный университет

(НИУ МГСУ); г. Москва, Россия

АННОТАЦИЯ

Введение. Поверхностный сток имеет большое значение в процессах формирования водных ресурсов речного бассейна. Целью данного исследования является разработка пользовательского интерфейса для численного решения задачи оценки стока в бассейне реки Эль-Аси (Оронтес) в Сирии с использованием моделей искусственного интеллекта. Материалы и методы. Для проектирования пользовательского интерфейса использован метод искусственных нейронных сетей. Поставленная задача выполнялась в три процедурных этапа: обучение, проверка и тестирование. Были отработаны несколько типов модельных алгоритмов. Сравнение эффективности моделей проводилось с помощью коэффициента корреляции и среднеквадратической ошибки.

Результаты. Установлено, что искусственные нейронные сети с прямой связью (FFNN) и алгоритмом обучения с обратным распространением (BP) (Feed forward (FF) back ргорада^оп (BP) ANN) показали лучший результат в гидрологических прогнозах и моделировании нелинейных функций, поэтому они и были применены в пользовательском интерфейсе. Разработанное программное средство экономит время и усилия пользователя, поскольку генерирует (¡Т ® очень большую группу моделей в соответствии с различными параметрами и функциям и выбирает лучшую модель & 5 по критериям их эффективности (коэффициенту корреляции R и среднеквадратической ошибке RMSE), и позволяет k и выполнять другие операции, например, такие как графическое отображение выходных данных или структуры принятой _ к модели или начало оценки значений стока. Программа построена в рабочей среде числовых вычислений MATLAB. q 3

Выводы. Программное средство отличается простотой и удобством применения в соответствии с разработанной S 2 пользовательской методикой, которая легко выстраивается с момента запуска программы через последователь- • ^ ность активации команд интерфейса до демонстрации выходных результатов. Рекомендовано расширить использо- < I вание моделей искусственного интеллекта для прогнозирования и оценки элементов гидрологического цикла, осо- о S бенно в случае отсутствия доступных исходных данных. l z

Z 1

j cd

КЛЮЧЕВЫЕ СЛОВА: речной сток, оценка, искусственный интеллект, искусственные нейронные сети, пользователь- u 7 ский интерфейс, MATLAB, прогнозирование 0 0

z 3

ДЛЯ ЦИТИРОВАНИЯ: Слейман А, Козлов Д.В. Настройка пользовательского интерфейса для оценки стока в бас- о (

сейне реки Эль-Аси с использованием искусственного интеллекта // Вестник МГСУ. 2022. Т. 17. Вып. 11. С. 1471- < r

1477. DOI: 10.22227/1997-0935.2022.11.1471-1477 o °

и t

t I

Автор, ответственный за переписку: Алаа Слейман, alaa-slieman@hotmail.com. u S

о ся

Configuration of user interface for evaluation of runoff in Orontes

basin using artificial intelligence

Alaa Slieman, Dmitry V. Kozlov

Moscow State University of Civil Engineering (National Research University) (MGSU);

< П

n ю » 0

» 6

r 6 t (

an

CD CD

Moscow, Russian Federation О H

-M

ABSTRACT Ф 7

-J 00

Introduction. Surface runoff is of great importance for water resources formation processes in a river basin. The purpose of

this study is to develop a user interface for a numerical solution to the problem of evaluating the runoff in the El-Asi (Orontes) I E

River basin in Syria using artificial intelligence models. $ y

Materials and methods. The method of artificial neural networks was used to design the user interface. The task was e 0

solved in three stages: training, verification and testing. Several types of model algorithms were tested. Efficiency values 1 1

were compared for different models using correlation coefficients and the mean root square error. , ,

Results. The authors have found that feed-forward artificial neural networks and back propagation artificial neural networks 2 N

show the best result if used to make hydrological forecasts and simulate nonlinear functions; that's why they were applied 2 2

to the user interface. The developed software tool saves the user's time and effort, because it generates a very large group 2 2 of models pursuant to various parameters and functions. It selects the best model according to the effectiveness criteria

© А. Слейман, Д.В. Козлов, 2022

Распространяется на основании Creative Commons Attribution Non-Commercial (CC BY-NC)

(such as correlation coefficient R and mean root square error MRSE), and allows the performance of other operations, such as the graphical representation of output data, the structure of the model used or the onset of evaluation of runoff values. The software is developed in the operational environment of MATLAB.

Conclusions. The software tool is simple and user friendly; it complies with the user-focused methodology, which is easily implemented from the moment the software, is launched through the sequence of activated interface commands. It is recommended to expand the use of artificial intelligence models for forecasting and evaluating elements of the hydrological cycle, especially in absence of source data.

KEYWORDS: runoff, evaluation, artificial intelligence, artificial neural networks, user interface, MATLAB, forecasting

FOR CITATION: Slieman A., Kozlov D.V. Configuration of user interface for evaluation of runoff in Orontes basin using artificial intelligence. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2022; 17(11):1471-1477. DOI: 10.22227/1997-0935.2022.11.1471-1477 (rus.).

Corresponding author: Alaa Slieman, аlaa-slieman@hotmail.com.

N N N N О О N N

К ш U 3

> (Л

с и т N

if л?

ф <и

о ä

о о со со

I

о со сч

(Л

ю

.Е о OL О

^ с Ю о

8 « о Е

fe ° СП ^

Т- ^

£

4L J

> А

■S г

О (0

ВВЕДЕНИЕ

Поверхностный сток имеет большое значение в процессах формирования водных ресурсов речного бассейна, являясь одним из наиболее важных элементов гидрологического цикла. Способность достаточно точно оценить этот фактор имеет важное значение как в гидрологическом моделировании, так и при исследовании водного баланса водосборов.

На протяжении десятилетий эта тема привлекает внимание многих исследователей. Целый ряд специалистов достаточно широко применяли для моделирования процессов «осадки - сток» на водосборах систему гидрологического моделирования HEC-HMS и получали хорошие результаты [1-5]. В то же время другие исследователи использовали компьютерную модель MIKE, и точность их результатов в значительной степени зависела от географического положения рассматриваемого речного бассейна, а также достоверности и многообразия исходных данных [6-10]. Программа ArcSWAT неоднократно использовалась при моделировании поверхностных вод суши. Полученные результаты получили хорошие значения оценочных критериев как на этапе валидации, так и в процессе тестирования [11, 12].

В последние годы технологии искусственного интеллекта (ИИ), в том числе искусственные нейронные сети, приобрели большое значение в инженерной гидрологии. Было проведено много исследований в области прогнозирования и моделирования элементов гидрологического цикла, включая речной сток, с использованием искусственных нейронных сетей и оценки эффективности этих моделей ИИ [13-18].

Так, например, (Sharda et al., 2006) использовали искусственные нейронные сети для прогнозирования речного стока на водосборах Средних Гималаев, получив хорошие результаты с высокими значениями коэффициента корреляции, и придя к выводам, что эффективность таких моделей ИИ может быть повышена путем увеличения объема исходной информации, используемой в процессе построения модели [19]. (Aytek et al., 2008) использовали модели искусственного интеллекта для моделирования взаимосвязи стока и осадков, получив хорошие результаты, отдавая предпочтение генетическим

алгоритмам [20]. Кроме того, (Chen et al., 2013) использовали модели искусственных нейронных сетей для оценки дождевого стока по данным об осадках. На основании анализа значений критериев эффективности эти модели показали высокую надежность полученных результатов [21].

В рамках рассматриваемой территории верхней части бассейна реки Эль-Аси (Оронтес) в Сирии был проведен ряд исследований по оценке поверхностного стока и взаимосвязи дождевых осадков и стока [22, 23], но ни в одном исследовании не рассматривалась возможность применения моделей искусственного интеллекта для решения таких задач.

Целью данного исследования является разработка пользовательского интерфейса для численной оценки стока в бассейне реки Эль-Аси (Оронтес) с использованием моделей искусственного интеллекта.

МАТЕРИАЛЫ И МЕТОДЫ

Исследование выполнено для условий верхней части бассейна реки Эль-Аси, расположенной между сирийско-ливанской границей и озером Каттина. Данные об этом речном стоке были взяты с гидрометрической станции Аль-Амири на сирийско-ливанской границе и станции Аль-Джавадия в месте впадения реки в озеро Каттина (рис. 1).

Рис. 1. Объект исследований — верхняя часть бассейна реки Эль-Аси

Fig. 1. The subject of research is the upper part of the Al-Asi River basin

Искусственные нейронные сети — это математическая модель и ее программно-аппаратное воплощение, построенная по организационно-функциональному принципу биологических нейронных сетей, в основу которой положен метод обработки данных с помощью нейронных систем, имитирующих работу человеческого мозга [21].

Искусственные нейронные сети с прямой связью (FFNN), обученные алгоритмом с обратным распространением (BP), считаются одними из самых известных и распространенных типов многослойных нейронных сетей при решении различных инженерных задач. В своей работе они зависят от моделирования структуры FFNN и используемого метода биологических нейронных сетей [24]. Следует отметить, что искусственные нейронные сети с прямой связью (FFNN) и алгоритмом обучения с обратным распространением (BP) считаются лучшими в гидрологических прогнозах и моделировании нелинейных функций с произвольным числом входных данных [21].

Для того чтобы обучение нейронных сетей происходило автоматически, сравнение моделей проводилось на основе критериев их эффективности (коэффициента корреляции и среднеквадратической ошибки). А чтобы проектируемый пользовательский интерфейс выдавал наилучшую нейронную сеть, также выполнялось сравнение моделей по значениям критериев эффективности для каждого из трех процедурных этапов: обучения, проверки и тестирования.

В данном исследовании использовалась уров-невая модель нейронной сети, состоящая из трех слоев (уровней).

1. Входного, содержащего ряд нейронов, которые автоматически идентифицируются в соответствии с исходными данными, введенными в модель, представляющими собой информацию о речном стоке на целевой (выходной) гидрометрической станции с задержкой по времени или сток на близ-

*■ IVSI1

ИНС построить

Иыг.ортдамиъш

Коэффнциен Обучение деления г_л Количество даниык Обучение

Валндация 0.15 Валндеция

Т™---- 0,5

Рамелнть дпии |В«

(спичство нейронов от 2 до 20

WO

'J'y™* '* моями и tmtrna c/trwa

Сменка стакл

Результаты Параметры оценки ОВуче«»в Валндация Все

RMSE R

Лучим* коп, нейронов

tpi't" ряршгагаевищд.

ГрМни р»Ч1№ГО№в 1«Т*_ Грчфда. кмкцлиин

лежащих станциях, связанных с целевой станциеи, или даже осадки, наблюдаемые в пределах речного бассейна или районов, близких к рассматриваемой территории.

2. Выходного (целевого), содержащего один нейрон, представляющий собой поверхностный сток на целевой станции.

3. Одного скрытого слоя.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Входные данные для задачи создания и использования интерфейса характеризуются неопределенностью, неоднозначностью и неполнотой исходной информации, представляя собой имеющиеся наблюдаемые значения и оценки стока в верхней части бассейна реки Эль-Аси. Код основной программы вычисления для интерфейса был написан на языке программирования операционной среды MATLAB. Создание пользовательского интерфейса выполнено с учетом особенностей данных о стоке на рассматриваемом водосборе. Было протестировано большое количество искусственных нейронных сетей и алгоритмов обучения. Подтверждено, что искусственные нейронные сети с прямой связью (Feed forward (FF) NN) и алгоритмом обучения с обратным распространением (Back proрagation (BP)) демонстрируют лучшие результаты в гидрологических прогнозах и моделировании нелинейных функций, поэтому именно они и были применены при создании кода для пользовательского интерфейса.

Кроме того, при разделении данных в процессе обучения модели (на тестовые и тренировочные) был использован метод блоков (кросс-валидация по K блокам (K-Fold Cross Vaidation)), что повышает эффективность сравнения моделей.

С методической точки зрения интерфейс программы характеризуется последовательной работой, так как начинается с момента ввода исходной информации, затем выполняются нормализация и разделение введенных данных, выбор числа нейронов

Рис. 2. Предлагаемый интерфейс программы с основными элементами

Fig. 2. The proposed interface and its main elements

Рис. 3. Использование интерфейса в процессе оценки речного стока

Fig. 3. Using the interface in the process of the river runoff evaluation

< П

i н g Г

S 2

0 со

n CO

1 <

< -ь J со

U -

r I

П о

<3 o <

П)

СЛ '

CO CO

l\J со

0

1

CD CD О О

cn

• )

ft f

-J 00 I T

s У с о <D *

Ы 10

о о

10 10

10 10

и количества обратных распространений (оборотов), затем происходит обучение нейронной сети и оценка стока, и демонстрация выходных результатов в виде структуры принятой модели (сети) и перечня параметров эффективности выбранной сети (рис. 2).

Дальнейшее представление результатов связано с графическим отображением выходных данных, оценкой значений стока и количественными

результатами критериев эффективности принятой модели либо путем прямого ввода, либо оценкой для сохраненного набора данных в файле (рис. 3). Графические результаты из финального окна пользовательского интерфейса для трех процедурных этапов (обучения, валидации (проверки) и тестирования) и итоговых (выходных) данных по стоку представлены на рис. 4.

Обучение / Training

Валидация / Validation

N N N N О О N N

¡É Ш U 3

> (Л

с и m N

i! <D ф

O É¿

о о CD CD i

^r о со CN

(Л

ю

.Е о CL О

^ с Ю о

s «

о Е с5 °

СП ^ т- ^

s

4L J

Г

О (О

Рис. 4. Графические результаты из окна пользовательского интерфейса Fig. 4. Graphical representation of results in the user interface window

ЗАКЛЮЧЕНИЕ И ОБСУЖДЕНИЕ

Разработанное программное средство экономит время и усилия пользователя, поскольку позволяет генерировать очень большую группу моделей искусственного интеллекта с использованием различных параметров и функций, выбирая лучшую модель по значениям целевых функций (критериям эффективности), таким как среднеква-дратическая ошибка RMSE и коэффициент корреляции R. Кроме того, пользовательская программа позволяет выполнять и другие операции, такие как графическое отображение (изображение) выходных данных, отображение структуры принятой

модели или начального момента оценки значений речного стока.

Программное средство отличается простотой и удобством использования предложенной методики, которая достаточно легко реализуется через последовательность активации команд пользовательского интерфейса. По результатам выполненного исследования с применением разработанного пользовательского интерфейса рекомендуется расширить использование моделей искусственного интеллекта для прогнозирования и оценки элементов гидрологического цикла, особенно в случае полного отсутствия или недостаточности доступных исходных данных.

СПИСОК ИСТОЧНИКОВ

1. 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 Geologicas. 2007. Vol. 27 (2). Pp. 185-196. URL: https://www.redalyc.org/pdf/572/57224205.pdf

2. Abushandi E., Merkel B. Modelling rainfallrunoff 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. DOI: 10.1007/s11269-013-0293-4

С. 1471-1477

3. 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. 2017. Vol. 36. Issue 1. Pp. 45-55. DOI: 10.2478/jwld-2018-0005

4. Haddad A., Remini B. Extreme rainfall-runoff events modeling by HEC-HMS model for Koudiet Rosfa watershed, Algeria // GeoScience Engineering.

2021. Vol. 67. Issue 4. Pp. 144-155. DOI: 10.35180/ gse-2021-0060

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

6. Kok M.T., Wei K.S., Chien L.W., Huiling J.K., Suresh B.P. Evaluation of performance of Active, Beautiful and Clean (ABC) on stormwater runoff management using MIKE URBAN: a case study in a residential estate in Singapore // Urban Water Journal. 2019. Vol. 16. Issue 2. Pp. 156-162. DOI: 10.1080/1573062 X.2019.1634744

7. 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 // Вестник МГСУ. 2020. Т. 15. № 7. C. 1030-1046. DOI: 10.22227/1997-0935.2020.7.10301046

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

9. 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. Issue 3. Pp. 4001-4017. DOI: 10.1007/ s40808-020-01054-8

10. Shamsudin S., Hashim N. Rainfall-runoff simulation using MIKE11 Nam // Journal Kejuruteraan Awam (Journal of civil engineering). 2022. Vol. 15. Issue 2.

11. Santra P., Das B.S. Modeling runoff from an agricultural watershed of western catchment of Chi-lika lake through ArcSWAT // Journal of Hydro-Environment Research. 2013. Vol. 7. Issue 4. Pp. 261-269. DOI: 10.1016/j.jher.2013.04.005

12. Saade J., Atieh M., Ghanimeh S., Golmoham-madi G. Modeling impact of climate change on surface water availability using SWAT model in a Semi-Arid basin: Case of El Kalb river, Lebanon // Hydrology. 2021. Vol. 8. Issue 3. P. 134. DOI: 10.3390/hydro-logy8030134

13. Биденко С.И., Храмов И.С., Шилин М.Б. Оценка территориальной ситуации с использованием искусственных нейронных сетей // Ученые

записки Российского государственного гидрометеорологического университета. 2019. № 54. С. 109-123. DOI: 10.33933/2074-2762-2019-54-109123 URL: https://elibrary.ru/item.asp?id=37289687

14. Гордеева С.М., Малинин В.Н. Использование DATA MINING в задаче гидрометеорологического прогнозирования // Ученые записки Российского государственного гидрометеорологического университета. 2016. № 44. С. 30-44.

15. Гордеева С.М., Малинин В.Н. О предвы-числении годового стока крупных рек Европейской части России на основе метода деревьев решений (DECISION TREES) // Ученые записки Российского государственного гидрометеорологического университета. 2018. № 50. С. 53-65. URL: https:// elibrary.ru/item.asp?id=32761979

16. Зеленцов В.А., Потрясаев С.А., Пима-нов И.Ю., Пономаренко М.Р. Автоматизация мониторинга и комплексного моделирования гидрологической обстановки в бассейнах рек // Ученые записки Российского государственного гидрометеорологического университета. 2019. № 55. С. 74-85. DOI: 10.33933/2074-2762-2019-55-74-85 URL: https://elibrary.ru/item.asp?id=38512336

17. Карапетян Т.А. Использование искусственных нейронных сетей для оценки и прогнозирования речных стоков // Молодой ученый. Технические науки. 2019. Т. 19 (257). С. 30-33. URL: https://moluch.ru/archive/257/58964/

18. Шитиков В.К., Зинченко Т.Д., Голова-тюк 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. URL: https://elibrary.ru/item.asp?id=7556355

19. Sharda V.N., Patel R.M., Prasher S.O., Ojasvi P.R., Prakash C. Modeling runoff from middle Himalayan watersheds employing artificial intelligence techniques // Agricultural Water Management. 2006. Vol. 83. Issue 3. Pp. 233-242. DOI: 10.1016/ j.agwat.2006.01.003

20. Aytek1 A., Asce M., Alp M. An application of artificial intelligence for rainfall-runoff modeling // Journal of Earth System Science. 2008. Vol. 117. Issue 2. Pp. 145-155. DOI: 10.1007/s12040-008-0005-2

21. Chen S.M., Wang Y.M., Tsou I. Using artificial neural network approach for modelling rainfall-runoff due to typhoon // Journal of Earth System Science. 2013. Vol. 122. Issue. 2. Pp. 399-340. DOI: 10.1007/ s12040-013-0289-8

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

23. 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 (43).

< П

i н

G Г

S 2

0 со

n CO

1 < < -b J to

U -

r i

n о

<3 o <

o i n

со со

l\J со

0

1

CD СП о о

cn

• )

ü

® . л ' -J 00 I Т

s У с о (D Ж

Ы 10

о о

10 10

10 10

24. Nourani V., Gokcekus H., Gelete G. Estimation of suspended sediment load using artificial intel-

Поступила в редакцию 14 июля 2022 г. Принята в доработанном виде 11 октября 2022 г. Одобрена для публикации 19 октября 2022 г.

ligence-based ensemble model // Hindawi complexity. 2021. Vol. 2021. Pp. 1-19. DOI: 10.1155/2021/6633760

Об авторах: Алаа Слейман — аспирант кафедры гидравлики и гидротехнического строительства; Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ);

129337, г. Москва, Ярославское шоссе, д. 26, оф. 606 Г; РИНЦ ID: 1105320; alaa-slieman@hotmail.com;

Дмитрий Вячеславович Козлов — доктор технических наук, профессор, заведующий кафедрой гидравлики и гидротехнического строительства; Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ); 129337, г. Москва, Ярославское шоссе, д. 26, оф. 606 Г; РИНЦ ID: 613295, Scopus: 36787104800, ResearcherlD: B-4808-2016, ORCID: 0000-0002-9440-0341; kozlovdv@mail.ru.

Вклад авторов: все авторы внесли эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

REFERENCES

N N N N О О N N

¡É Ш U 3

> (Л

с и to N

i! ¡TÉ

<D ф

O í¿

о о CD cd i

^r о со CN

(Л

ю

.Е о

^ с

ю о

8 «

о Е

СП ^

т- ^

£

41 J > ^

£ w

О (0

1. 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 Geologicas. 2007; 27(2): 185-196. URL: https://www.redalyc.org/pdf/572/57224205.pdf

2. Abushandi E., Merkel B. Modelling rainfallrunoff relations using HEC-HMS and IHACRES for a single rain event in an Arid region of Jordan. Water Resources Manage. 2013; 27:2391-2409. DOI: 10.1007/s11269-013-0293-4

3. 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. 2017; 36(1):45-55. DOI: 10.2478/ jwld-2018-0005

4. Haddad A., Remini B. Extreme rainfall-runoff events modeling by HEC-HMS model for Koudiet Ros-fa watershed, Algeria. GeoScience Engineering. 2021; 67(4):144-155. DOI: 10.35180/gse-2021-0060

5. 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; 8(2):58. DOI: 10.3390/hydrology8020058

6. Kok M.T., Wei K.S., Chien L.W., Huiling J.K., Suresh B.P. 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; 16(2):156-162. DOI: 10.1080/1573062X.2019.1634744

7. 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 [Monthly Journal on Construction and Architecture]. 2020; 15(7):1030-1046. DOI: 10.22227/1997-0935.2020.7.1030-1046

8. Aredo M.R., Hatiye S.D., Pingale S.M. Modeling the rainfall-runof using MIKE 11 NAM model in Shaya catchment, Ethiopia. Modeling Earth Systems and Environment. 2021; 7(4):2545-2551. DOI: 10.1007/ s40808-020-01054-8

9. Ghosh A., Roy M.B., Roy P.K. Evaluating the performance of Mike Nam model on rainfall-runoff in Lower Gangetic floodplain, West Bengal, India. Modeling Earth Systems and Environment. 2022; 8(3):4001-4017. DOI: 10.1007/s40808-020-01054-8

10. Shamsudin S., Hashim N. Rainfall-runoff simulation using MIKE11 Nam. Journal Kejuruteraan Awam (Journal of civil engineering). 2022; 15(2).

11. 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; 7(4):261-269. DOI: 10.1016/ j.jher.2013.04.005

12. Saade J., Atieh M., Ghanimeh S., Golmoham-madi 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; 8(3):134. DOI: 10.3390/hydrology8030134

13. Bidenko S.I., Khramov I.S., Shilin M.B. Assessment of the territorial situation using artificial neural networks. Proceedings of the Russian State Hydrometeorological University. 2019; 54:109-123. DOI: 10.33933/2074-2762-2019-54-109-123 URL: https://elibrary.ru/item.asp?id=37289687 (rus.).

14. Gordeeva S.M., Malinin V.N. Use of data mining in hydrometeorological forecasting. Proceedings of the Russian State Hydrometeorological University. 2016; 44:30-44. (rus.).

15. Gordeeva S.M., Malinin V.N. On predicting annua.runoff of large rivers of Evropean Russia based on decision trees method. Proceedings of the Russian

С. 1471-1477

State Hydrometeorological University. 2018; 50:53-65. URL: https://elibrary.ru/item.asp?id=32761979 (rus.).

16. Zelentsov V.A., Potryasaev S.A., Pima-nov I.Yu., Ponomarenko M.R. Automation of monitoring and integrated modeling of hydrological situation in river basins. Proceedings of the Russian State Hydrometeorological University. 2019; 55:74-85. DOI: 10.33933/ 2074-2762-2019-55-74-85 URL: https://elibrary.ru/item. asp?id=38512336 (rus.).

17. Karapetyan T.A. Using artificial neural networks to assess and predict river flows. Young scientist. Technical Sciences. 2019; 19(257):30-33. URL: https:// moluch.ru/archive/257/58964/ (rus.).

18. Shitikov V.K., Zinchenko T.D., Golo-vatyuk L.V. Methods of neural networks for estimation of superficial waters quality by usage of hydrobiological exponents. Proceedings of the Samara Scientific Center of the Russian Academy of Sciences. 2002; 4(2):280-289. URL: https://elibrary.ru/item.asp?id=7556355 (rus.).

19. Sharda V.N., Patel R.M., Prasher S.O., Ojas-vi P.R., Prakash C. Modelin.runoff from middle Himalayan watersheds employing artificial intelligence

techniques. Agricultural Water Management. 2006; 83(3):233-242. DOI: 10.1016/j.agwat.2006.01.003

20. Aytekl A., Asce M., Alp M. An application of artificial intelligence for rainfall-runoff modeling. Journal of Earth System Science. 2008; 117(2):145-155. DOI: 10.1007/s12040-008-0005-2

21. Chen S.M., Wang Y.M., Tsou I. Using artificial neural network approach for modelling rainfall-runoff due to typhoon. Journal of Earth System Science. 2013; 122(2):399-340. DOI: 10.1007/ s12040-013-0289-8

22. Issa M. The relationship between river flow and precipitation in the Orontes Basin. Damascus University Journal. 2015; 31(2).

23. 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; 39(43).

24. Nourani V., Gokcekus H., Gelete G. Estimation of suspended sediment load using artificial intelligence-based ensemble model. Hindawi complexity. 2021; 2021:1-19. DOI: 10.1155/2021/6633760

Received July 14, 2022.

Adopted in revised form on October 11, 2022.

Approved for publication on October 19, 2022.

Bionotes: Alaa Slieman — postgraduate student of the Department of Hydraulics and Hydraulic Engineering; Moscow State University of Civil Engineering (National Research University) (MGSU); office 606 G, 26 Yaroslavskoe shosse, Moscow, 129337, Russian Federation; ID RISC: 1105320; alaa-slieman@hotmail.com;

Dmitry V. Kozlov — Doctor of Technical Sciences, Professor, Head of the Department of Hydraulics and Hydraulic Engineering; Moscow State University of Civil Engineering (National Research University) (MGSU); office 606 G, 26 Yaroslavskoe shosse, Moscow, 129337, Russian Federation; ID RISC: 613295, Scopus: 36787104800, ResearcherlD: B-4808-2016, ORCID: 0000-0002-9440-0341; kozlovdv@mail.ru.

Contribution of the authors: all of the authors made equivalent contributions to the publication. The authors declare that there is no conflict of interest.

< 00 i н

G Г

S 2

0 со

n СО

1 <

< -ь J со

U -

r i

П о

<3 o <

o i

O n

со со

l\J со

0

1

СП СП о о

cn

• )

ft

л ' -J 00 I т

s У с о (D Ж

Ы 10

о о

10 10

10 10