Machine Translated by Google

air
Artikel

Perbandingan Model SWAT dan JST untuk Harian

Simulasi Limpasan di Berbagai Zona Iklim
Semenanjung Spanyol

, Julio Pérez-Sánchez 1 ID dan

1 tanda pengenal

Patricia Jimeno-Sáez 1,*, Javier Senent-Aparicio

David Pulido-Velazquez 1,2
1
Departemen Teknik Sipil, Universitas Katolik San Antonio, Kampus de los Jerónimos s/n, Guadalupe,
30107 Murcia, Spanyol; jsenent@ucam.edu (JS-A.); jperez058@ucam.edu (JP-S.); d.pulido@igme.es
(DP-V.)
2
Survei Geologi Spanyol (IGME), Unit Granada, Urb. Alcázar del Genil, 4. Edificio Zulema,
18006 Granada, Spanyol * Korespondensi: pjimeno@ucam.edu; Telp: +34-968-278-818

Diterima: 18 Desember 2017; Diterima: 9 Februari 2018; Diterbitkan: 11 Februari 2018

Abstrak: Data aliran sungai sangat penting untuk perencanaan dan pengelolaan sumber daya air, dan
keakuratan perkiraannya sangat penting untuk pengambilan keputusan. Model Soil and Water Assessment
Tool (SWAT) dan Artificial Neural Network (ANN) telah dievaluasi dan dibandingkan untuk menemukan
metode untuk meningkatkan estimasi aliran sungai. Untuk evaluasi yang lebih lengkap, keakuratan dan
kemampuan model estimasi aliran ini juga ditetapkan secara terpisah berdasarkan kinerjanya selama
periode aliran yang berbeda dengan menggunakan kurva durasi aliran regional (FDC).
Secara khusus, FDC dibagi menjadi lima sektor: aliran sangat rendah, rendah, sedang, tinggi, dan sangat tinggi.
Segmentasi aliran ini memungkinkan analisis kinerja model untuk setiap peristiwa pelepasan yang penting
secara tepat. Dalam studi ini, model diterapkan di dua DAS di Semenanjung Spanyol dengan kondisi iklim
yang kontras: iklim Atlantik dan Mediterania. Hasilnya menunjukkan bahwa SWAT dan JST umumnya
merupakan alat yang baik dalam pemodelan aliran arus harian. Namun, SWAT ternyata lebih berhasil
dalam kaitannya dengan simulasi aliran yang lebih rendah, sementara JST lebih unggul dalam
memperkirakan aliran yang lebih tinggi dalam semua kasus.

Kata kunci: Alat Kajian Tanah dan Air (SWAT); Jaringan Syaraf Tiruan (JST); imputasi data; simulasi
limpasan; pemodelan hidrologi

1. Perkenalan

Aliran sungai adalah salah satu variabel yang paling penting dari siklus hidrologi. Dalam DAS, data
aliran sungai diperlukan untuk banyak masalah sumber daya air seperti manajemen, perencanaan dan
desain teknik hidrolik [1]. Model hidrologi digunakan dalam sains dan praktek untuk memprediksi kejadian
ekstrim dalam hal kejadian banjir dan aliran rendah untuk pengelolaan sungai [2]. Oleh karena itu,
tantangan model hidrologi adalah untuk secara memadai mewakili semua fase dengan set parameter
model yang sama [3] untuk menghindari meremehkan aliran yang sangat tinggi dan risiko banjir dan
untuk menghindari perkiraan yang terlalu tinggi dari aliran yang sangat rendah dan masalah pasokan air.
Ada banyak model hidrologi. Model konseptual hidrologi yang mensimulasikan aliran sungai pada suatu
DAS mempertimbangkan berbagai proses siklus hidrologi melalui formulasi matematis [4]. Banyak model
hidrologi telah dikembangkan untuk mensimulasikan proses hidrologi dan merupakan alat penting untuk
memperkirakan nilai aliran sungai, yang mampu membangun hubungan hujan-limpasan [5]. Model
matematis yang canggih adalah Soil and Water Assessment Tool (SWAT) [6]. SWAT adalah model semi-
terdistribusi konseptual dan saat ini merupakan salah satu model hidrologi paling populer untuk skala DAS [7]. Sudah luas

Air 2018, 10, 192; doi:10.3390/w10020192 www.mdpi.com/journal/water

Machine Translated by Google

Air 2018, 10, 192 2 dari 19

digunakan untuk memperkirakan rangkaian waktu aliran sungai dan membutuhkan sejumlah besar data
spasial dan temporal serta parameter input. Selain itu, rentang parameter nilai yang luas dan interaksi
kompleksnya memperumit proses parameterisasi dan kalibrasi model [4]. Untuk memfasilitasi proses
ini, SWAT-CUP (Prosedur Kalibrasi dan Ketidakpastian) telah dikembangkan. Ini adalah program yang
berdiri sendiri yang dikembangkan untuk kalibrasi SWAT yang berisi lima prosedur kalibrasi dan
mencakup fungsionalitas untuk validasi dan analisis sensitivitas [8].
Di sisi lain, selama beberapa dekade terakhir dengan kemajuan komputasi, estimasi variabel hidrologi dengan pembelajaran mesin
telah mendapat banyak perhatian di kalangan peneliti. Studi terbaru tentang kasus kehidupan nyata menggunakan teknik soft computing
dalam rekayasa hidrologi terdiri dari berikut ini: Olyaie et al., (2015) [9] membandingkan tiga pendekatan kecerdasan buatan, yaitu jaringan
syaraf tiruan (JST), inferensi neuro-fuzzy adaptif system (ANFIS) dan coupled wavelet and neural network (WANN), untuk memperkirakan
beban sedimen tersuspensi (SSL) dari sistem sungai; Gholami et al., (2015) [10] memodelkan fluktuasi muka air tanah menggunakan
dendrokronologi (cincin pohon) dan JST; Chen dan Chau (2016) [11] mengembangkan model hybrid double feedforward neural network
untuk estimasi SSL harian; Jimeno-Sáez et al., (2017) [12] menggunakan model pembelajaran mesin yang berbeda, seperti ANN dan ANFIS
untuk estimasi aliran puncak seketika berdasarkan aliran harian rata-rata maksimum.

Secara khusus, JST, yang telah diperkenalkan dan diterapkan secara luas untuk masalah sistem
sumber daya air, ditemukan sebagai alat yang ampuh untuk estimasi deret waktu aliran sungai [13,14].
Keuntungan khusus JST adalah bahwa jaringan dapat dilatih untuk mempelajari hubungan ini tanpa memerlukan pengetahuan apriori dari
karakteristik fisik proses [15]. Fitur ini menjadikan JST alat yang efektif untuk memodelkan proses hidrologi yang kompleks [16]. JST adalah
model empiris yang dapat digunakan sebagai alternatif untuk mensimulasikan proses hidrologi dengan menghubungkan input dan output
melalui fungsi matematis tanpa perlu mengetahui hubungannya dengan karakteristik DAS [17]. JST telah digunakan dalam sejumlah besar
penelitian terbaru untuk memperkirakan nilai aliran sungai [4,12,18-20]. Oleh karena itu, SWAT dan JST telah banyak digunakan untuk
estimasi aliran sungai. Namun, beberapa studi telah membandingkan kedua model untuk estimasi aliran harian [5,21-23].

Dengan latar belakang tersebut, salah satu tujuan dari pekerjaan ini adalah menggunakan SWAT
dan JST untuk membangun model hidrologi di cekungan dengan kondisi iklim yang kontras untuk
mensimulasikan aliran sungai. Model-model ini dinilai pada skala cekungan dan dalam interval waktu
harian. Perbandingan kinerja model ANN dengan variabel masukan yang berbeda (misalnya curah
hujan harian, curah hujan harian hari-hari sebelumnya, curah hujan total hari-hari sebelumnya, suhu
rata-rata harian) telah dibuat untuk menemukan struktur jaringan terbaik dan paling efisien. Kedua,
pemilihan model yang paling tepat untuk setiap kasus yang diteliti dianalisis dengan membandingkan
kinerja model SWAT dan JST. Selain itu, efisiensinya untuk estimasi rentang aliran yang berbeda (dari
aliran sangat tinggi ke aliran sangat rendah) ditentukan berdasarkan kurva durasi aliran (FDC). Dengan
demikian, efisiensi model ini telah dinilai di dua daerah aliran sungai: Ladra River Basin (LRB) dengan
iklim Atlantik dan hulu Segura River Basin (HSRB) dengan iklim Mediterania. Cekungan ini dipilih
berdasarkan keragaman kondisi iklim yang diwakilinya, termasuk beberapa daerah paling hujan di
Eropa di timur laut Spanyol (LRB) dan daerah terkering di tenggara Spanyol (HSRB). Untuk memastikan
validitas hasil, kedua cekungan berada dalam rezim alami. Memilih model yang sesuai untuk
mensimulasikan aliran sungai di daerah aliran sungai merupakan tantangan utama, dan menganalisis
kinerja model ini di cekungan iklim yang berbeda dapat membantu peneliti menerapkan model yang sesuai di setiap kasus

2. Bahan-bahan dan metode-metode

2.1. Area Studi dan Masukan Data

Untuk membandingkan keakuratan model SWAT dan JST, dua DAS yang kontras di
Spanyol dipilih sebagai studi kasus dalam pekerjaan ini. Gambar 1 menunjukkan peta lokasi
dan model elevasi digital (DEM) DAS. Tabel 1 merangkum karakteristik kedua DAS. LRB berlokasi di
Machine Translated by Google

Air 2018, 10, x UNTUK PEER REVIEW 3 dari 19

Air 2018, 10, 192 3 dari 19

terletak di utara Cekungan Miño-Sil (NW Spanyol) dan mencakup area seluas 843 km2 dengan
kisaran ketinggian 392 hingga 872 m dpl. Iklimnya khas Atlantik, dengan perbedaan yang lebih
tinggi
berkisar
kisaran
di utara
dari
ketinggian
660
Cekungan
hingga
antara
1632
Miño-Sil
suhu
392
ekstrem
(NW
hingga
Spanyol)
di872
musim
mdan
dpl.
panas
mencakup
Iklimnya
dan musim
khas
areaAtlantik,
seluas
dingin. 843
dengan
Curah
km2hujan
perbedaan
dengan
tahunan
yang lebih tinggi antara suhu ekstrim mm. Data aliran sungai melimpah dan diproduksi oleh sistem
frontal Atlantik yang persisten di musim panas dan musim dingin. Curah hujan tahunan berkisar
antara 660 hingga 1632 mm. Data aliran sungai berasal dari arah barat yang umumnya terjadi
pada musim gugur hingga musim semi; musim panas adalah musim terkering [24]. Melimpah dan
diproduksi oleh sistem frontal Atlantik yang persisten dari barat yang umumnya terjadi aliran
bulanan rata-rata bervariasi dari 48 m3/dtk di musim dingin hingga 4m3/dtk di musim panas; aliran
ini berangsur-angsur berkurang dari musim gugur ke musim semi; musim panas adalah musim
terkering [24]. Aliran bulanan rata-rata bervariasi dari 48 m3/detik hingga musim panas dan
meningkat lagi selama musim gugur. Jenis tanah yang dominan adalah Humic Cambisol di musim
dingin hingga 4 m3/detik di musim panas; aliran ini berangsur-angsur berkurang hingga musim
panas dan meningkat lagi selama (82% dari total area). Daerah ini memiliki permeabilitas rendah,
dan pentingnya akuifer banyak musim gugur. Jenis tanah yang dominan adalah Humic Cambisol
(82% dari total area). Daerah ini memiliki sumber daya air yang lebih rendah dari dangkal [25].
Tutupan lahan utama di DAS Ladra adalah permeabilitas, dan pentingnya akuifer jauh lebih rendah
daripada sumber daya air superfisial [25]. lahan hutan (35%) diikuti lahan dengan vegetasi semak
dan/atau herba (24%), heterogen Tutupan lahan utama di DAS Sungai Ladra adalah lahan hutan
(35%) diikuti lahan dengan areal pertanian semak belukar (23%) dan mosaik campuran (18%).
dan/atau vegetasi herba (24%), kawasan pertanian heterogen (23%) dan mosaik campuran (18%).

Gambar
(a) Lokasi
1. (a)
DAS Lokasi
Miño-Sil
DASdan
Miño-Sil
Segura dan
di Semenanjung
Segura di Semenanjung
Spanyol; (b)Spanyol;
Lokasi (b)
LRB Lokasi
di DASGambar
Miño-Sil;
1. (c)
Lokasi HSRB(e)
DEM LRB; di DEM
DAS HSRB.
Segura;LRB;
(d) DEM LRBHSRB.
(e) DEM di DAS Miño-Sil; (c) Lokasi HSRB di DAS Segura; (d)

Tabel
Tabel1.1.Karakteristik
KarakteristikDAS.
DAS.

Ciri
Ciri LRB
LRB 1 HSRB 21
2 HSRB
Suhu rata-rata tahunan (°C) 11.2 11.2 13,2 13,2
748 748
Suhu rata-rata tahunan (ÿC)
Rata-rata
12181218
Rata-ratacurah
Rata-rata
curahhujan
aliran
hujantahunan
tahunan
tahunan(mm)
(m3/s)
(mm) 1,85 1,85

Rata-rata
23,66aliran tahunan (m3/s) 23,66
1 2
1 Menurut data tahun 1971 sampai dengan 2007. 2 Menurut data tahun 1987 sampai dengan 2007. Menurut data tahun 1971 sampai dengan 2007. Menurut data tahun 1987 sampai dengan 2007.

Wilayah
dan
studi
dicirikan studi
bercirikan
lain adalahlainnya
oleh medan adalah
hulu DAS
terjal
yang hulu dengan
Segura
dengan
curam DAS Segura
(Spanyol
kisaran (Spanyol
kisaran
ketinggian
Tenggara), Tenggara),
ketinggian
898-1912
yang memiliki
898-1912yang
m dpl.luas memiliki
m dpl. km2wilayah
235seluasdan
235 km2

Iklimnya
dicirikan
berlangsung
terjadi.
Rendzic
musimtanah
hujan
Jenis
dicirikan adalah
tahunan.
Curah
hujan
Leptosol
oleh
oleh
dari Mediterania
utama
kondisi
hujan
yang
kondisi
Curah
Oktober
(88%
berlangsung
adalah
tahunan
yang
yang
hujan
dari dengan
hingga
memungkinkan
Rendzic
memungkinkan
luas
rata-rata
tahunan
total)
dari
Iklim musim
Leptosol
Oktober
berkisar
rata-rata
dengan panas
Mediterania
infiltrasi
infiltrasi
(88%
Mei, yang
kedalaman
hingga
daridi
drainase
dengan
dari
412 sangat
sejumlah
mana
Mei,
luas
hingga
berkisar
di
musim
lebih
besar
total)
mana kering
air1234
dan
dari
dengan
panas
yang
antaradan
terjadi
mm.
yang
80%baik
yangmusim
412
Jenis
drainase
lebih
curah hujan
memperlancar
[26].
hingga
sangat
dari
tanah
hujan
Daerah
[26].
80%
1234 yang
kering
utama
tahunan
DAS
curah
tangkapan
respon
mm.
dan
adalah
hidrologi,
memperlancar dan
bulan musim panasair tanah
responcurah sangat
hidrologi, penting
hujandanpraktisdalam
air tanah air
tidak sangat permukaan
ada, demikian dalam
penting pula
dalam jumlah
hidrologi
hidrologibesar
permukaandan yang
[27]. Selama[27].bulan-

Selama
pada
periode
periode
bulan-bulan
ini sebagian
ini terutama
musim
besar
dari
panas,
berasal
sumber
curah
dari
airsumber
hujan
tanah praktis
[28].
air tanah
Aliran
tidak
[28].
bulanan
ada,
Aliran
sehingga
rata-rata
bulanan
aliran
bervariasi
rata-rata
sungaibervariasi
pada
Machine Translated by Google

Air 2018, 10, 192 4 dari 19

antara 0,96 m3/detik pada bulan September dan 2,97 m3/detik pada bulan Januari. HSRB sebagian besar merupakan daerah
yang didominasi hutan yang mencakup sekitar 61% dari cekungan, dan 19% ditutupi oleh vegetasi semak belukar Mediterania.
Model SWAT dan ANN dibangun menggunakan informasi yang tersedia secara bebas. Data debit
harian LRB dikumpulkan dari situs Pusat Studi Hidrografi CEDEX [29] dan tersedia dari tahun 1971. Data
aliran harian untuk HSRB tersedia di situs web Konfederasi Hidrografi Sungai Segura [30] dari tahun 1987.
Ini pekerjaan menggunakan database iklim SPAIN02 (lihat detail di Herrera et al., (2012) [31]), yang
mencakup data curah hujan dan suhu harian untuk tahun 1950 hingga 2007 dalam kisi (20 × 20 km) untuk
wilayah Spanyol. Jaringan ini dikembangkan dengan mempertimbangkan jaringan stasiun yang dikontrol
kualitasnya yang sangat padat. Grid diproduksi dengan menerapkan metode kriging dalam proses dua
langkah. Pertama, kejadian itu diinterpolasi menggunakan kriging biner dan, pada langkah kedua,
jumlahnya diinterpolasi dengan menerapkan kriging biasa ke hasil kejadian [31]. Model hidrologi terdistribusi
membutuhkan data spasial jangka panjang, terdistribusi, dan berkelanjutan untuk mensimulasikan respons
hidrologi suatu cekungan. Namun, stasiun cuaca konvensional tidak dapat sepenuhnya mewakili kondisi
iklim di seluruh cekungan karena sering terdistribusi secara jarang, terutama jika terdapat gradien
hidroklimat yang besar [32]. Selain itu, catatan stasiun cuaca seringkali tidak mencakup periode simulasi
yang diusulkan atau mengandung kesenjangan. Itu sebabnya kami menggunakan data berbasis grid.
DEM diperoleh dari National Geographic Institute of Spain [33], dengan resolusi 25 m.
Data tanah diperoleh dari Harmonized World Soil Database (HWSD), yang dikumpulkan oleh Organisasi Pangan dan Pertanian
Perserikatan Bangsa-Bangsa (FAO) [34]. Peta tutupan lahan diekstraksi dari Corine Land Cover (CLC) yang direklasifikasi [35].

2.2. Model SWAT

SWAT adalah model berbasis semi-terdistribusi dan semi-fisik. SWAT mempertimbangkan heterogenitas DAS dengan
membaginya menjadi sub-DAS berdasarkan jaringan sungai dan topografi; selanjutnya, sub-DAS dibagi menjadi hydrologic response
unit (HRUs) yang mengelompokkan area lahan dengan kombinasi tanah, tutupan lahan dan lereng yang unik. SWAT mensimulasikan
siklus hidrologi berdasarkan neraca air, yang dikendalikan oleh masukan iklim seperti curah hujan harian dan suhu udara maksimum
dan minimum. Persamaan neraca air yang digunakan adalah [6]:

t
SWt = SWit + ÿ Hari(i) ÿ Qsur f(i) ÿ Ea(i) ÿ Wseep(i) ÿ Qgw(i) (1)
saya=1

dimana SWt adalah kadar air tanah akhir (mm), SWinit adalah kadar air tanah awal (mm), t adalah waktu dalam
hari, Rday(i) adalah curah hujan pada hari ke-i (mm), Qsurf(i) adalah limpasan permukaan (mm), Ea(i) adalah
evapotranspirasi (mm), Wseep(i) adalah perkolasi (mm) dan Ggw(i) adalah jumlah aliran dasar (mm).

2.2.1. Penyiapan Model dan Kumpulan Data

Model SWAT membutuhkan input berbasis fisik, seperti data hidro-meteorologi, topografi, sifat tanah,
dan penggunaan/penutupan lahan di daerah tangkapan air. Data curah hujan harian (mm) dan suhu
maksimum dan minimum (ÿC) dari tahun 1971 hingga 2007 di LRB dan dari tahun 1987 hingga 2007 di
Cekungan Segura digunakan untuk simulasi model SWAT. Kelembaban relatif, radiasi matahari dan
kecepatan angin tidak tersedia di daerah penelitian. Pada penelitian ini, kami mensimulasikan potensi
evapotranspirasi menggunakan metode Hargreaves [36] karena hanya membutuhkan suhu maksimum dan minimum harian.
Selain itu, menurut Schneider et al., (2007) [37], metode evapotranspirasi potensial yang diadopsi memiliki
efek kecil pada respons debit yang disimulasikan. DEM dengan ukuran mata jaring 25 m digunakan untuk
menentukan batas DAS dan Sub DAS. Peta tanah digunakan untuk mengkarakterisasi setiap jenis tanah
dari informasi antara lain tekstur tanah, konduktivitas hidrolik dan kandungan air yang tersedia. Penutupan
lahan merupakan salah satu faktor terpenting yang mengendalikan peristiwa seperti limpasan,
evapotranspirasi, pengendapan sedimen dan erosi tanah [38]. Dalam SWAT, kombinasi dari ketiga
kumpulan data ini (DEM, peta tanah, dan peta tutupan lahan) membagi DAS menjadi HRU; tiga kategori dari
Machine Translated by Google

Air 2018, 10, 192 5 dari 19

kemiringan ditentukan (0–8%, 8–30% dan >30%) untuk mengkarakterisasi variasi permukaan, dan tingkat ambang
batas 10% ditetapkan untuk menyederhanakan pemrosesan model dan menghilangkan kemiringan kecil, tanah, dan
lahan yang digunakan untuk masing-masing sub DAS. Akhirnya, LRB dibagi menjadi 11 sub-cekungan dan 124 HRU
dan HSRB menjadi 3 sub-cekungan dan 21 HRU.

2.2.2. Analisis Sensitivitas, Kalibrasi dan Validasi

Analisis sensitivitas dan kalibrasi parameter model SWAT dilakukan secara otomatis di SWAT-CUP
menggunakan algoritma SUFI-2 [39]. Analisis sensitivitas memungkinkan kita untuk menghitung tingkat
perubahan output model sehubungan dengan perubahan parameter model [40] dan dengan demikian kami
dapat mengidentifikasi parameter yang paling berpengaruh dalam mengatur aliran sungai [41]. Parameter
dikalibrasi menggunakan debit harian yang diamati; prosesnya terdiri dari menyesuaikannya sehingga
simulasi harian sedekat mungkin dengan pengamatan. Pertama, kami melakukan 500 model untuk
mendapatkan sensitivitas, dan parameter yang paling sensitif diidentifikasi untuk setiap cekungan. Setelah
itu, dua iterasi dari 1500 simulasi dijalankan seperti yang direkomendasikan oleh Yang et al., (2008) [42],
menyesuaikan kembali parameter setelah iterasi kedua. Seri data input dibagi menjadi tiga fase: pemanasan,
kalibrasi dan validasi. Dalam LRB, periode dari tahun 1971 hingga 1989 dipilih untuk kalibrasi model, yang
didahului dengan periode pemanasan selama lima tahun (1966–1970). Setelah kalibrasi, model divalidasi
menggunakan aliran harian dari tahun 1990 hingga 2007. Untuk HSRB, periode 1987–1997 dan 1998–2007
masing-masing digunakan untuk kalibrasi dan validasi model, juga didahului dengan pemanasan selama lima tahun.

2.3. Jaringan Syaraf Buatan

JST adalah metode komputasi dengan struktur matematis yang meniru otak manusia dan sistem
saraf. Jaringan ini mempelajari, mengingat, dan mengungkapkan berbagai relasi yang terdapat dalam
data. Hal ini mampu memodelkan hubungan time-series input/output nonlinier yang kompleks dari
DAS tanpa pengetahuan sebelumnya dan eksplisit tentang karakteristik fisik dari proses tersebut [17,18].
JST terdiri dari neuron atau unit pemroses yang disusun berlapis-lapis dan dihubungkan melalui
beberapa tautan. Ada banyak arsitektur JST yang berbeda: jaringan lapisan tunggal dan multilapis
sesuai dengan jumlah lapisan dan jaringan feed-forward, recurrent dan self-organizing sesuai dengan
arah aliran informasi dan pemrosesan. Dalam pekerjaan ini, kami telah menggunakan jaringan feed-
forward multilayer, yang paling banyak diterapkan untuk mensimulasikan proses hidrologi (misalnya,
[1,9,10,18]) dan terdiri dari sejumlah neuron yang diatur dalam lapisan input, satu atau lebih lapisan
tersembunyi dan lapisan keluaran [20]. Lapisan input mencakup neuron tempat data input dimasukkan
ke dalam jaringan. Di lapisan tersembunyi, neuron menerima sinyal hanya dari neuron di lapisan
sebelumnya dan memproses data. Akhirnya, output diproduksi untuk input yang diberikan pada
lapisan output. Node terhubung ke node di lapisan tetangga dengan koneksi sinaptik berbobot; setiap
tautan memiliki bobot terkait yang mewakili kekuatan koneksinya. Bobot-bobot ini menyimpan
pengetahuan jaringan, yaitu mereka membuat parameter hubungan matematis antara input variabel
jaringan; nilai bobot positif mencerminkan koneksi rangsang, nilai negatif berarti koneksi penghambatan,
sedangkan bobot nol membuat koneksi dianggap tidak ada. Skema operasi jaringan ini adalah sebagai
berikut: (i) Informasi diproses di dalam neuron, setiap neuron menerima serangkaian masukan atau
sinyal; (ii) sinyal-sinyal ini melewati antar neuron melalui tautan koneksi; (iii) setiap neuron membentuk
kombinasi linier dari input sinyal sesuai dengan bobotnya dan kemudian melewati fungsi aktivasi untuk
menghasilkan sinyal output [43]. Operasi matematika dari sebuah neuron diberikan sebagai Persamaan
(2):

n
yj = f ÿ xi ·wi ÿ bj (2)
saya=1

di mana y adalah output dari neuron j, f adalah fungsi aktivasi, xi adalah input dari vektor input (i
= 1, 2, . . . , n), wi adalah bobot yang terkait dengan tautan koneksi yang melaluinya input xi tiba
Machine Translated by Google

Air 2018, 10, 192 6 dari 19

ke neuron j saat ini dari neuron di lapisan sebelumnya dan bj adalah bias yang terkait dengan neuron j.
Fungsi aktivasi biasanya merupakan fungsi transfer nonlinier yang kontinu dan terbatas serta mengontrol
amplitudo neuron keluaran. Fungsi sigmoid logistik dan tangen hiperbolik adalah yang paling umum digunakan
pada lapisan tersembunyi dengan kisaran keluaran dari 0 hingga 1 dan dari ÿ1 hingga 1, masing-masing [5],
sedangkan fungsi aktivasi linier dapat digunakan pada lapisan keluaran sehingga bahwa interval output
terbatas belum dihasilkan. Proses pelatihan melibatkan pemberian data input dan target yang diketahui ke
jaringan dan menyesuaikan parameter internal (bobot dan bias) berdasarkan ukuran kinerja dan parameter
lainnya.

Pendekatan Pemodelan JST

Menurut Govindaraju (2000) [43], tidak ada metode pasti untuk menentukan jumlah data input-output
yang akan dibutuhkan. Kumpulan data yang optimal harus mewakili kemungkinan terjadinya vektor input dan
harus memfasilitasi pemetaan proses nonlinear yang mendasarinya.
Penyertaan pola yang tidak perlu dapat memperlambat pembelajaran jaringan. Sebaliknya, kumpulan data
yang tidak memadai dapat menyebabkan pembelajaran yang buruk. Pelatihan JST tipikal membutuhkan tiga
kumpulan data: pelatihan, validasi, dan pengujian [21]. Dalam pekerjaan ini, set data kalibrasi (1971 hingga
1989 di LRB, dan 1987 hingga 1997 di HSRB) dibagi menjadi set pelatihan (70% data), set data validasi (15%
data) dan set data pengujian (15% data). Kami telah menggunakan algoritma backpropagation untuk melatih,
di mana hasil jaringan (keluaran model JST) dibandingkan dengan target aktual (data yang diamati), dan
kemudian kesalahan jaringan dihitung. Kesalahan output berulang kali disebarkan mundur melalui jaringan
untuk menyesuaikan parameternya hingga diperoleh nilai optimal [1]. Pelatihan selesai ketika kesalahan pada
set data validasi mendekati minimum. Ada beberapa algoritma backpropagation untuk pelatihan jaringan.
Keunggulan algoritma Levenberg-Marquardt (LM) [44,45] dibandingkan algoritma lain untuk kinerja yang lebih
baik (perkiraan kesalahan yang lebih rendah) dan kecepatan konvergensi yang lebih tinggi (saat menentukan
ukuran zaman) jelas ditetapkan dalam beberapa penelitian (misalnya, [46,47 ]). LM seringkali merupakan
algoritma backpropagation tercepat. Studi tentang peramalan streamflow [47,48] telah menunjukkan bahwa
algoritma LM memiliki operasi yang tepat dalam melatih jaringan jenis ini. Oleh karena itu, algoritma LM telah
digunakan untuk mengurangi mean squared error (MSE) (Persamaan (3)) secara iteratif dalam penelitian ini:

n 2
ÿ saya=1 (Oi ÿ Ei)
UMK = n
(3)

di mana Oi adalah target JST (pengamatan), Ei adalah keluaran JST (nilai yang disimulasikan) dan n adalah
jumlah total pengamatan. Untuk digunakan dalam menemukan bobot saraf yang optimal dengan algoritme
backpropagation berdasarkan pendekatan kuadrat terkecil seperti MSE, fungsi transfer harus mudah
dibedakan, sehingga memungkinkan evaluasi kenaikan bobot melalui aturan rantai untuk turunan parsial [49] .
Menurut Dawson dan Wilby (2001) [50], sigmoid logistik bersifat kontinyu dan relatif mudah dihitung (seperti
turunannya). Oleh karena itu, kami menggunakan jaringan saraf umpan maju dengan pembelajaran propagasi
balik LM dan fungsi transfer sigmoid, yang merupakan salah satu pilihan terbaik untuk memodelkan parameter
hidrologi [10].
Jenis dan jumlah input yang berbeda digunakan dalam JST untuk memperkirakan aliran harian.
Memahami hubungan temporal antara variabel iklim dan aliran merupakan hal mendasar untuk pengembangan
JST. Banyak penelitian menggunakan analisis korelasi time-series untuk menentukan ketergantungan antara
aliran sungai yang diamati dan variabel iklim sebelumnya [1,18,20]. Dalam upaya untuk memeriksa overfitting,
dilakukan validasi silang. Kami membagi set data menjadi lima subset: empat subset digunakan untuk melatih,
dan subset yang tersisa digunakan untuk memvalidasi.

2.4. Kriteria Evaluasi Perbandingan Model

Dalam validasi silang JST, kami memperoleh kinerja rata-rata untuk lima langkah validasi silang. Jaringan
yang dipilih untuk setiap cekungan adalah kinerja terbaik dalam hal koefisien efisiensi Nash-Sutcliffe (NSE),
persen bias (PBIAS) dan root mean squared error (RMSE).
Machine Translated by Google

Air 2018, 10, 192 7 dari 19

Hasilnya dievaluasi secara statistik menggunakan statistik yang ditentukan dalam Tabel 2. Kami telah
mengevaluasi dan membandingkan hasil SWAT dan JST berdasarkan empat statistik termasuk NSE, PBIAS,
RMSE dan koefisien determinasi (R2 ), yang paling banyak digunakan dalam studi hidrologi. Statistik ini
didefinisikan dalam Tabel 2.

Tabel 2. Metrik kinerja.

Persamaan Jangkauan
n 2
ÿ i=1 (Oi ÿ Ei)
NSE = 1 - 2 [ÿÿ, 1]
n
ÿ saya=1 Oi - O
n 2
ÿ Oi ÿ O · (Ei ÿ E)
R2 =
saya=1

n 2 0,5 n 2 0,52 [0, 1]

ÿ saya=1 Oi ÿ O · ÿ saya=1 Ei ÿ E
n
ÿ saya=1 (Oi ÿ Ei)·100
PBIAS = n [ÿÿ, ÿ]
ÿ saya=1 (Oi)
n 2
ÿ saya=1 (Oi ÿ Ei) [0, ÿ]
RMSE =
n
Oi adalah data ke-i yang diamati, O adalah rata-rata dari data yang diamati, Ei adalah data yang diestimasi ke-i, E adalah rata-
rata dari data yang diestimasi dan n adalah jumlah observasi.

NSE menunjukkan seberapa baik plot data yang diamati versus data yang disimulasikan sesuai dengan
garis 1:1 dan direkomendasikan karena sangat umum digunakan, yang memberikan informasi ekstensif
tentang nilai yang dilaporkan [51]. R2 menggambarkan tingkat kolinearitas antara data yang disimulasikan dan diukur.
PBIAS mengukur kecenderungan rata-rata dari data yang disimulasikan menjadi lebih besar atau lebih kecil dari rekan-rekan
mereka yang diamati dan memiliki kemampuan untuk secara jelas menunjukkan kinerja model yang buruk [52]. RMSE
mengkuantifikasi kesalahan prediksi dalam unit variabel yang dihitung oleh model. Kinerja terbaik untuk NSE dan R2 adalah 1,
dan untuk PBIAS dan RMSE kinerja terbaik adalah 0. Selain itu, untuk mengevaluasi model kami telah menggunakan kriteria
yang diajukan oleh Kalin et al., (2010) [53], yang mengadaptasi bulanan kriteria Moriasi et al., (2007) [51] untuk skala harian
(Tabel 3). Dalam hal ini, penelitian ini adalah analisis eksplorasi kekuatan model SWAT dan JST untuk simulasi limpasan harian,
dan ini adalah alasan tambahan untuk mengendurkan peringkat kinerja menurut American Society of Agricultural and Biological
Engineers (ASABE, 2017) [54].

Tabel 3. Kriteria Model Evaluasi Skala Waktu Harian

Peringkat Kinerja NSE PBIAS (%)

Sangat bagus NSE ÿ 0,7 |PBIAS| ÿ 25

Bagus 0,5 ÿ NSE < 0,7 25 < |PBIAS| ÿ 50
Memuaskan 0,3 ÿ NSE < 0,5 50 < |PBIAS| ÿ 70
Tidak memuaskan NSE < 0,3 |PBIAS| > 70

Hasilnya juga dievaluasi secara grafis menggunakan scatter plot. Selain pengukuran kesesuaian ini, kami
menganalisis hasil berdasarkan kurva durasi aliran untuk membantu memvisualisasikan secara grafis
perbedaan antara aliran yang diamati dan yang diperkirakan. Pfannerstill et al., (2014) [2] menyajikan
pendekatan untuk meningkatkan evaluasi model dengan membagi kurva durasi aliran ke dalam segmen yang
berbeda. Hasilnya menunjukkan bahwa segmentasi aliran sangat rendah/tinggi dan aliran rendah/tinggi
memungkinkan analisis kinerja model untuk setiap peristiwa pelepasan yang penting secara tepat. Selain itu,
mereka menyimpulkan bahwa segmentasi tambahan dari kurva durasi aliran menjadi aliran rendah dan sangat
rendah sangat penting untuk mempertimbangkan kejadian periode aliran rendah yang panjang. Dalam
penelitian ini, untuk menilai fase hidrograf yang berbeda, FDC dibagi menjadi lima segmen seperti yang
ditunjukkan pada Tabel 4 menurut Pfannerstill et al., (2014) [2], di mana Qp mewakili aliran dengan probabilitas melebihi sama
Machine Translated by Google

Air 2018, 10, 192 8 dari 19

atas%. RMSE, didefinisikan dalam Tabel 2, digunakan untuk membandingkan kinerja model untuk setiap
fase hidrograf.

Tabel 4. Definisi lima segmen hidrograf fase yang berbeda.

Fase Hidrograf Definisi

Aliran yang sangat tinggi Aliran lebih besar dari Q5

Aliran tinggi Mengalir antara Q5 dan Q20
Aliran sedang Mengalir antara Q20 dan Q70
Aliran rendah Mengalir antara Q70 dan Q95
Aliran sangat rendah Aliran lebih kecil dari Q95

3. Hasil dan Pembahasan

3.1. Analisis Sensitif, Kalibrasi dan Validasi Model SWAT

Analisis sensitivitas global dilakukan untuk mengidentifikasi parameter pengaruh yang paling penting
untuk simulasi aliran sungai, yang disesuaikan selama kalibrasi. Peringkat sensitivitas parameter diperoleh
setelah 500 model dijalankan. Pengaruh parameter pada aliran sungai yang disimulasikan dievaluasi
dengan nilai-p yang menentukan signifikansi sensitivitas dan t-stat yang memberikan ukuran sensitivitas.
Pemeringkatan parameter paling sensitif yang diamati dalam penelitian ini (Tabel 5) juga didukung oleh
temuan Raposo et al., (2013) [55] dalam LRB dan Senent-Aparicio et al., (2017) [26] dalam HSRB. Beberapa
parameter paling sensitif adalah umum untuk kedua cekungan dengan urutan sensitivitas yang sama,
misalnya ALPHA_BF, CH_N1, CH_N2, SOL_K, CN2 dan GWQMN.

Tabel 5. Analisis sensitivitas parameter model SWAT untuk LRB dan HSRB.

LRB HSRB
Parameter Definisi
t-Stat Peringkat Nilai-p t-Stat Peringkat Nilai-p

ALPHA_BF Faktor alfa Alur Dasar (hariÿ1 ) 21.87 0,00 1 0,95 0,34 14

CH_N1 Nilai "n" Manning untuk saluran anak sungai 12.73 0,00 2 9.23 0,00 1

OV_N Nilai "n" Manning untuk aliran darat 5.98 0,00 3 1.23 0,22 12

GW_DELAY Waktu tunda air tanah (hari) ÿ5.45 0,00 4 ÿ0.91 0,36 15

CH_N2 Nilai “n” Manning untuk saluran utama 2.59 0,01 5 2.08 0,04 7

SOL_K Konduktivitas hidrolik jenuh (mm/h) 2.48 0,01 6 2.09 0,04 6

CN2 Nomor kurva limpasan SCS 2.42 0,02 7 ÿ8.09 0,00 2

GWQMN Threshold kedalaman air pada akuifer dangkal untuk terjadinya aliran balik (mm) 1.97 0,05 8 2.01 0,04 9

CH_K1 Konduktivitas hidrolik yang efektif di alluvium saluran anak sungai (mm/h) ÿ1,78 0,08 9 3.90 0,00 4

RCHRG_DP Fraksi perkolasi akuifer dalam ÿ1,77 0,08 10 ÿ2.05 0,04 8

LAT_TTIME Waktu tempuh aliran lateral (hari) ÿ1.49 0,14 11 ÿ2.16 0,03 5

SOL_AWC Kapasitas air yang tersedia dari lapisan tanah (mm H2O/mm tanah) 1.34 0,18 12 5.39 0,00 3

BIOMIX Efisiensi pencampuran biologis 1.23 0,22 13 0,80 0,42 16

SLSUBBSN Rata-rata panjang lereng (m) 1.21 0,23 14 0,25 0,80 20

GW_REVAP Koefisien “revap” air tanah 1.11 0,27 15 1.41 0,16 10

Koefisien lag limpasan permukaan SURLAG 1.01 0,31 16 0,37 0,71 19

REVAPMN Ambang kedalaman air di akuifer dangkal untuk terjadinya “revap” atau perkolasi ke akuifer dalam 0,93 0,36 17 1.20 0,23 13
(mm)

CANMX Penyimpanan kanopi maksimum (mm) 0,47 0,64 18 1.26 0,21 11

ESCO Faktor kompensasi penguapan tanah ÿ0.20 0,84 19 ÿ0,42 0,67 18

EPCO Faktor kompensasi serapan tanaman 0,01 0,99 20 0,69 0,49 17

Setelah melakukan analisis sensitivitas global, parameter yang paling sensitif dipilih untuk setiap
cekungan yang diteliti, yang ditunjukkan dan ditentukan pada Tabel 6. Semua parameter yang dipilih juga
dipilih sebagai yang paling relevan dalam penelitian lain [23,26,41,55] .
Machine Translated by Google

Air 2018, 10, 192 9 dari 19

Tabel 6. Parameter yang digunakan dalam kalibrasi model SWAT di LRB dan HSRB.

Nilai Pas
Parameter Jangkauan
LRB HSRB

GWQMN 0–5000 82.50 642.17

GW_DELAY 0–500 2.52 1.38
RCHRG_DP 0–1 0,01 0,70
ALPHA_BF 0–1 0,09 0,20
GW_REVAP 0,02–0,2 - 0,14
REVAPMN 0–1000 - 65.59
CH_K1 0–300 6.98 230.73
CH_N2 0,01–0,3 0,13 0,30
CH_N1 0,01–0,3 0,19 0,12
CN2 ±20% ÿ1,35% ÿ3,75%
SOL_K ±20% +12,01% ÿ12,04%
SOL_AWC 0–1 ÿ1,29% ÿ5,51%
ESCO 0,1–1 0,77 0,39
SLSUBSN ±20% ÿ0,57% -

OV_N 0,01–0,8 0,69 -

LAT_TTIME 0–180 3.95 6.79

BIOMIX 0–1 0,94 -
CANMX 0–100 - 4.71

Nilai pas dari parameter ini mencerminkan karakteristik iklim yang kontras dari kedua cekungan. Di
HSRB, parameter air tanah (GWQMN, GW_DELAY, RCHRG_DP, ALPHA_BF dan GW_REVAP) signifikan,
seperti yang diharapkan di cekungan Mediterania dimana akuifer relevan [41,56]. Fraksi perkolasi akuifer
dalam yang tinggi (RCHRG_DP) dan waktu tunda yang sangat rendah (GW_DELAY) untuk pengisian ulang
akuifer mencerminkan geologi HSRB yang sangat permeabel. Sebaliknya, tidak ada akuifer yang relevan di
LRB, di mana RCHRG_DP sangat rendah. Di kedua cekungan, nilai ALPHA_BF yang rendah menunjukkan
respons yang lambat [57]. Nilai CH_K1 yang rendah pada LRB menunjukkan tingkat kehilangan yang sedang
untuk tanah dengan kandungan lanau-lempung yang tinggi, sementara nilai HSRB yang tinggi mencerminkan
tingkat kehilangan yang sangat tinggi untuk kerikil yang sangat bersih dan pasir yang besar [57]. Perbedaan
besar lainnya antara kedua cekungan adalah faktor kompensasi penguapan tanah (ESCO). ESCO lebih
tinggi di LRB, dengan iklim Atlantik, daripada di HSRB, dengan iklim Mediterania di mana evapotranspirasi
memiliki relevansi yang lebih tinggi [26]. Ketika nilai ESCO menurun, kemampuan model untuk mengekstrak
permintaan evaporatif dari lapisan tanah yang lebih rendah meningkat [58]. Waktu perjalanan aliran lateral
(LAT_TTIME) di LRB sangat mirip dengan yang digunakan oleh Raposo et al., (2013) [55] di cekungan
terdekat di mana sebagian besar air tanah mengalir secara lateral sebagai interflow [59]. Nilai GWQMN
dikalibrasi sebagai 82,5 di LRB mirip dengan yang diperoleh dalam studi terdekat [55]. Selain itu, program
filter digital otomatis (Base Flow Filter Program) [60] diterapkan untuk menentukan rasio air tanah. Hasil
yang diperoleh mirip dengan yang disimulasikan oleh model kami.

3.2. Seleksi Input, Pelatihan dan Validasi Model JST

Penentuan variabel input memiliki pengaruh yang signifikan terhadap aliran yang
disimulasikan. Data curah hujan cekungan dan suhu yang digunakan oleh JST dihitung
menggunakan metode Thiessen, di mana nilai iklim didasarkan pada rata-rata tertimbang kontribusi sel di area ters
Setelah meninjau penelitian lain [22,23,48], kami telah memilih variabel berikut sebagai masukan untuk
model JST untuk memperkirakan aliran sungai harian: curah hujan harian (Pt), suhu harian (Tt), curah
hujan n hari sebelumnya (Ptÿ n), total curah hujan n hari sebelumnya (Rn) dan suhu rata-rata selama n
hari sebelumnya (Tmn). Dalam penelitian ini, penundaan variabel iklim yang paling sesuai ditentukan
dengan menggunakan analisis korelasi silang, jadi kami menentukan hubungan temporal antara variabel
masukan dan aliran sungai. Seperti yang ditunjukkan pada Gambar 2a, aliran sungai berkorelasi sangat positif dengan
Machine Translated by Google

Air 2018, 10, 192 10 dari 19

Air 2018, 10, x UNTUK PEER REVIEW 10 dari 19

berkorelasi sangat positif dengan curah hujan harian pada hari ini t (Pt) dan dengan curah hujan harian pada hari ini t (Pt)
dan
untuk
dengan
LRB dancurah
sampai
hujant-2
harian
di HSRB.
padauntuk
hari-hari
LRB sebelumnya,
dan sampaihingga
t-2 di HSRB.
curah hujan t-4 pada hari-hari sebelumnya, hingga t- 4

(sebuah) (b)

(c) (d)

Gambar 2. Analisis korelasi silang untuk LRB dan HSRB antara debit harian dan (a) harian Gambar 2.
sebelumnya;
Analisis
hujan n hari
korelasi
sebelumnya;
(c) silang
suhu harian;
untuk
(c) LRB
suhu
(d) suhu
dan
harian;
HSRB
rata-rata
(d) antara
curah
selama
hujan
debit
n hari
harian
suhusebelumnya.
rata-rata
dan (a) curah
; (b)
selama
total
hujan
curah
n hari
harian
hujan
sebelumnya.
; (b)
n hari
total curah

Aliran sungai sangat berkorelasi dengan akumulasi curah hujan harian; terdapat korelasi yang lebih besar Aliran sungai
berkorelasi kuat dengan akumulasi curah hujan harian; terdapat korelasi yang lebih besar untuk 4 hari di LRB dan 48
hari di HSRB, yang mencerminkan sedikit dan pentingnya 4 hari di LRB dan selama 48 hari di HSRB, masing-masing
mencerminkan sedikit dan pentingnya air tanah, air tanah. , di cekungan ini. Sehubungan dengan suhu harian, masing-
masing ada yang moderat, di cekungan ini. Sehubungan dengan suhu harian, ada korelasi negatif negatif sedang dengan
aliran sungai harian di kedua cekungan. Terakhir, total empat korelasi masukan dengan aliran sungai harian di kedua
cekungan. Akhirnya, total empat kombinasi input telah diusulkan untuk setiap DAS dalam studi ini (Tabel 7). telah diusulkan
untuk setiap cekungan dalam penelitian ini (Tabel 7).

Tabel 7. Skenario estimasi untuk setiap cekungan.

Tabel 7. Skenario estimasi untuk setiap cekungan.
Kombinasi Input Output
Skenario Prediksi Cekungan
Baskom Kombinasi
Ptÿ2,
Tm30 Ptÿ3, Ptÿ4,
Input
Pt , Ptÿ1
Skenario Prediksi 1 TtOutput
, Ptÿ2 Qt, Pt,
Ptÿ3 Pt,
R4,
Ptÿ1,
, Tt,,
Ptÿ4
2
1
Ptÿ4,
Qt Pt Qt
,R4,
Ptÿ1
QtTtTt
Ptÿ1,,Qt
Ptÿ2
Pt,
Ptÿ2,
PtPtÿ1,
,, R4
Ptÿ3
Ptÿ3,
,Ptÿ2,
Tt
, Ptÿ4,
Ptÿ4
, Tm30
Ptÿ3,
Pt,,R4
Qt
LRB Ptÿ1,TtPtÿ2,
3 Pt, Ptÿ1, R48, Ptÿ1Tt Qtÿ2
, Pt R4, , Tt
LRB 2 Ptÿ3 , Ptÿ4 , R4 Qt Qt Pt ,
4 Ptÿ1 , R48 Qt Pt , Ptÿ1 , Ptÿ2 Tt ,
Qt Pt , Ptÿ1 , R48 , Tt Ptÿ1 , R48 ,
31 Tm30
Ptÿ1 , Qt
R48,
jaringan, QtTm30
identifikasi
kami Ptstruktur
, Ptÿ1 , R48
Qt UntukQt
(versi mengimplementasikan
membangun
perangkat
8.2.0.701
24 JST(R2013b),
lunak
menggunakan
MATLAB®
Thedan
HSRB
31 Mathworks,
forward
kami identifikasi MA,
mengimplementasikan
multilayerstruktur USA)
Untuk .
Feed-
jaringan,
dan
4 membangun JST menggunakan
HSRB 23 jaringan MATLAB®. Jumlah
4 lapisan tersembunyi dan
neuron tersembunyi ditentukan oleh perangkat lunak (versi 8.2.0.701 (R2013b), The Mathworks,
Natick, MA, USA). Prosedur coba-coba feed-forward multilayer ; satu atau dua lapisan tersembunyi
dengan jumlah neuron antara dua sampai sepuluh
Machine Translated by Google

Air 2018, 10, 192 11 dari 19

11 dari
jaringan telah digunakan. Jumlah lapisan tersembunyi dan neuron tersembunyi ditetapkan dengan prosedur trial-and-error Water 2018, 10, x UNTUK PEER REVIEW ; 19

satu atau dua lapisan tersembunyi dengan jumlah neuron antara dua dan sepuluh dianggap. dipertimbangkan. Jumlah neuron pada input layer tergantung pada jumlah

variabel input Jumlah neuron pada input layer tergantung pada jumlah variabel input pada setiap skenario, pada setiap skenario bervariasi dari 3 sampai 7. Gambar 3

menunjukkan JST struktur yang digunakan dalam pekerjaan ini. yang bervariasi dari 3 sampai 7. Gambar 3 menunjukkan struktur JST yang digunakan dalam pekerjaan ini.

Gambar 3. Struktur jaringan feed-forward multilayer yang digunakan dalam penelitian ini. Gambar 3. Struktur jaringan feed-forward multilayer yang digunakan dalam penelitian ini.

Skenario berbeda yang didefinisikan pada Tabel 7 diuji untuk menentukan jenis dan jumlah input Skenario berbeda yang ditentukan pada Tabel 7 diuji untuk menentukan jenis dan

jumlah input ke model JST. Tabel 8 menunjukkan arsitektur JST terbaik dan kinerjanya untuk setiap masukan ke model JST. Tabel 8 menunjukkan arsitektur JST terbaik dan kinerjanya untuk

setiap skenario yang dilatih dan divalidasi untuk cekungan yang diteliti. Nilai ukuran kinerja ini adalah skenario yang dilatih dan divalidasi untuk cekungan yang diteliti. Nilai ukuran kinerja ini

adalah rata-rata rata- rata yang diperoleh selama lima putaran validasi silang. diperoleh selama lima putaran validasi silang.

Tabel 8. Arsitektur jaringan terbaik dan ukuran kinerja rata-ratanya diperoleh pada Tabel 8. Arsitektur jaringan terbaik dan ukuran kinerja rata-ratanya diperoleh dalam validasi

silang untuk setiap skenario prediksi. validasi silang untuk setiap skenario prediksi.

Ramalan Arsitektur JST ValidasiNSE

Pelatihan Validasi Validasi NSERMSE
PBIA NSE
(%)
Baskom 1
PBIA (%) RMSE PBIA (%) (%)RMSE
PBIA
RMSE
Baskom Skenario Prediksi Arsitektur JST (I–H–O) Skenario (I–H–O)
12.511 0.59 12.52 NSE
1 6–2–1 0,63
1 6–2– 23.66.68.62.67.67.67.682.682.68.68.68.68.62.68.62.68.62.68.68.68.68.68.62.68.62.68.622.68
1.17 022.6222 12.07
0.5623.52
24.452.91
0.53
24.45
22.64
7.260.53
0.58
24.65
7.26
12.07
0.71
0.28
24.65
23.52
2 1 4–2–12–1
4– 0,52 neuron
1.96
pada
ÿ0.15
input
29.85
0,62 layer;
1.90
1.66
H adalah
5.52
0.56
(satu
1.96
1.51
atau
jumlah
ÿ0.15
0.32
1.66
dua
0.10
neuron
12.02
0.47
29.85
lapisan
1.81
1.69
1.57
pada
1.90
tersembunyi);
O0.10
2.16
adalah
0.32
pada
0.55
lapisan
21.15
1.54
12.02
1.54
lapisan
jumlah
tersembunyi
0.26
1.81
0.26
3–3–3–1
1.57
keluaran.
neuron
13.53
6.85
13.53
jumlah
I adalah
1.51
LRB
LRB 2 7–2– 2,91
3 1 7–2–1 5– 0,62
3 2–1 0,71
4 5–2–1 4–2– 0,56
4 1 4– 5,52
1 2–1 4–4–1
3–4– 0,28 2,16
HSRB
1 1 4– 6,85
2 4–1 3–3–3– 0,55
HSRB 3 1 3–4–1 1,29

1 243 0,56
4 0,47 1.29 1.69 21.15

1 I adalah jumlah neuron pada lapisan input; H adalah jumlah neuron pada lapisan tersembunyi (satu atau dua lapisan
tersembunyi); O adalah jumlah neuron pada lapisan output. Hasil yang ditunjukkan pada Tabel 8 menunjukkan empat
struktur JST yang efektif dengan kinerja yang baik untuk LRB. Skenario 1 untuk LRB dengan kombinasi enam sel pada lapisan
input (presipitasi Hasil yang ditunjukkan pada Tabel 8 menunjukkan empat struktur JST efektif dengan kinerja yang baik hari t, t-1, t-2,
t-3 dan t-4 , dan suhu hari t), satu lapisan tersembunyi dengan dua neuron dan untuk LRB. Skenario 1 untuk LRB dengan
kombinasi enam sel pada input layer (presipitasi satu neuron pada output layer (streamflow hari t) memiliki NSE tertinggi dan RMSE
terendah hari t, t-1, t-2, t-3 dan t-4, dan suhu hari t), satu lapisan tersembunyi dengan dua neuron dan satu lagi pada tahap pelatihan
dan validasi. Berdasarkan kriteria pada Tabel 3, NSE dan PBIAS neuron skenario 1 pada output layer (streamflow hari t) memiliki
NSE tertinggi dan RMSE terendah pada masing- masing baik dan sangat baik. Oleh karena itu, skenario 1 merupakan arsitektur yang
dipilih untuk LRB. fase pelatihan dan validasi. Berdasarkan kriteria Tabel 3, NSE dan PBIAS skenario 1 adalah Namun, tingkat kinerja
model JST untuk HSRB secara umum lebih rendah karena pemodelan masing-masing baik dan sangat baik. Oleh karena itu, skenario
1 merupakan arsitektur yang dipilih untuk LRB. respon hidrologi daerah kering dan semi-kering, di mana tingkat evapotranspirasi tinggi
dan Namun, tingkat kinerja model JST untuk HSRB umumnya lebih rendah karena curah hujan tidak teratur dan/atau terbatas, sangat
kompleks [61]. Model terpilih untuk HSRB adalah memodelkan respon hidrologi daerah arid dan semi-arid, dimana laju evapotranspirasi
skenario 3 dimana NSE dan RMSE lebih baik daripada yang diperoleh pada skenario lain yang diusulkan. Di sini tinggi dan presipitasi
tidak teratur dan/atau terbatas, sangat kompleks [61]. Skenario model terpilih , NSE tergolong memuaskan dan PBIAS tergolong
sangat baik. Skenario selebihnya untuk HSRB adalah skenario 3 dimana NSE dan RMSE lebih baik dibandingkan dengan yang
diperoleh pada usulan lain tergolong tidak memuaskan berdasarkan NSE. Oleh karena itu, konfigurasi JST yang dipilih untuk HSRB
adalah skenario. Dalam skenario ini, NSE tergolong memuaskan dan PBIAS tergolong sangat baik. Sisa dari tiga sel pada lapisan
input (curah hujan hari t dan t-1, dan curah hujan total dari skenario sebelumnya diklasifikasikan sebagai tidak memuaskan berdasarkan
NSE. Oleh karena itu, konfigurasi ANN memilih 48 hari), satu lapisan tersembunyi dengan empat neuron dan satu neuron di lapisan
output (aliran aliran untuk HSRB adalah tiga sel di lapisan input (presipitasi hari t dan t-1, dan curah hujan total hari t). Kesimpulannya,
struktur yang dipilih untuk keduanya cekungan dibentuk oleh tiga lapisan, mirip dengan yang lain sebelumnya 48 hari), satu lapisan
tersembunyi dengan empat neuron dan satu neuron di lapisan output ( studi (misalnya, [1,23]). arus hari t). Kesimpulannya, struktur
yang dipilih untuk kedua cekungan dibentuk oleh tiga lapisan, mirip dengan penelitian lain (misalnya, [1,23]).
Machine Translated by Google

Air 2018, 10, 192 12 dari 19

3.3. Perbandingan Kinerja Model

Kalibrasi model SWAT dan pelatihan JST terpilih (skenario 1 untuk LRB dan skenario 3 untuk HSRB)
dilakukan dengan menggunakan kumpulan data pelatihan (1971–1989 untuk LRB dan 1987–1997 untuk HSRB).
Kemudian, kami menguji model dengan set validasi (1990–2007 untuk LRB dan 1998–2007 untuk HSRB).
Perbandingan kinerja estimasi aliran SWAT dan JST untuk LRB dan HSRB disajikan pada
Tabel 9, yang menunjukkan secara terpisah kinerja untuk periode kalibrasi/pelatihan dan validasi.

Tabel 9. Performansi model SWAT dan JST.

Kalibrasi/Pelatihan Validasi
Model Cekungan
2 2
NSE PBIAS (%) RMSE R NSE PBIAS (%) RMSE R

SWAT 0,59 JST 0,64 2,55 22,11 0,59 0,57 20,81 7.18 25,78 0,58
LRB
2,03 0,63 0,59 12.94 25,39 0,61

SWAT 0,52 JST 0,54 4.37 1,76 0,53 0,48 1,73 0,57 8,74 1,45 0,49 1,51
HSRB
9.03 0,49 5,28 0,52

Nilai NSE kedua model tergolong baik sesuai dengan kriteria yang tertera pada Tabel 3
untuk tahap kalibrasi/pelatihan di LRB dan HSRB. Untuk tahap validasi, nilai NSE berkisar
antara 0,5 dan 0,7 sehingga tergolong baik untuk kedua model LRB tersebut.
Nilai NSE tergolong memuaskan untuk kedua model HSRB. Nilai PBIAS kurang dari 25%,
sehingga tergolong sangat baik di semua kasus. Nilai RMSE untuk kedua model serupa.
Nilai NSE dan R2 yang diperoleh oleh model JST lebih tinggi daripada yang diperoleh di
SWAT di kedua cekungan, dan selama pelatihan lebih tinggi daripada selama fase validasi.
Setelah menganalisis hasil ini, disimpulkan bahwa SWAT dan JST cocok. Semakin kering
tangkapannya, semakin rendah kinerja yang diperoleh dalam model hidrologi, yang mirip dengan
pengalaman yang dilaporkan oleh Pérez-Sánchez et al., (2017) [61].
Untuk pemahaman yang lebih baik tentang perbedaan antara model, Gambar 4 menunjukkan hasil
model SWAT dan JST yang diplot terhadap nilai aliran sungai yang diamati untuk periode kalibrasi/
pelatihan dan validasi dengan koefisien korelasinya.
Model SWAT memiliki kinerja yang buruk dalam memperkirakan nilai aliran sungai yang besar,
sedangkan model ANN lebih buruk dalam memperkirakan nilai yang kecil. Pada setiap gambar Gambar
4, titik-titik yang berhubungan dengan aliran sungai dengan nilai besar ditempatkan pada jarak yang lebih
jauh ke garis 1:1 ketika nilainya telah diestimasi oleh SWAT. Sebaliknya, titik-titik yang terkait dengan
estimasi aliran sungai oleh model JST lebih jauh dari garis 1:1 jika dikaitkan dengan estimasi nilai kecil.
Hidrograf (Gambar 5) menunjukkan kecocokan yang diperoleh untuk aliran sungai yang disimulasikan
versus aliran terukur di cekungan yang diteliti selama periode validasi (dari tahun 1995 hingga 1997 untuk
LRB dan dari tahun 2002 hingga 2004 untuk HSRB). Model umumnya mereproduksi aliran sungai dengan
cukup baik. Meskipun kedua model cenderung meremehkan peristiwa aliran puncak selama fase validasi,
model JST lebih sensitif terhadap peristiwa curah hujan daripada model SWAT, dan perkiraannya selalu di
atas yang diperoleh SWAT.
Machine Translated by Google

Air 2018, 10, 192 13 dari 19

Air 2018, 10, x UNTUK PEER REVIEW 13 dari 19
Air 2018, 10, x UNTUK PEER REVIEW 13 dari 19

(a) (b)
(a) (b)

(c) (d)
(c) (d)

Gambar 4.
Gambar 4. Scatterplots
Scatterplots untuk
untuk aliran
aliran sungai
sungai harian
harian diperoleh
diperoleh dengan
dengan SWAT
SWAT dan
dan ANN
ANN dalam
dalam (a)
(a) kalibrasi/pelatihan
kalibrasi/pelatihan
Gambar 4. Scatterplots untuk aliran sungai harian diperoleh dengan SWAT dan ANN dalam (a) masa kalibrasi/
pelatihan
LRB; (c) periode
LRB; (b)kalibrasi/pelatihan
masa validasi LRB; HSRB;
(c) periode
(d) masa
kalibrasi/pelatihan
validasi LRB; (b)HSRB;
masa validasi
(d) masaLRB;
validasi
(c) periode
LRB; (b)kalibrasi/
masa validasi
pelatihan HSRB; (d) masa validasi HSRB. periode HSRB. periode HSRB.

(a)
(a)

Gambar 5. Lanjutan.
Machine Translated by Google

Air 2018, 10, 192 14 dari 19

Air 2018, 10, x UNTUK PEER REVIEW 14 dari 19
Air 2018, 10, x UNTUK PEER REVIEW 14 dari 19

(b)
(b)

Gambar 5. Perbandingan aliran harian yang diamati dan disimulasikan oleh SWAT dan ANN dalam validasi Gambar 5. Perbandingan aliran harian yang diamati
dan disimulasikan oleh SWAT dan ANN dalam validasi Gambar 5. Perbandingan aliran harian yang diamati dan disimulasikan oleh SWAT dan ANN dalam tahap
validasi sedangkan grafik batang di atas adalah curah hujan harian untuk (a) LRB; (b) HSRB. fase, sedangkan grafik batang di atas adalah curah hujan harian
untuk (a) LRB; (b) HSRB. fase, sedangkan grafik batang di atas adalah curah hujan harian untuk (a) LRB; (b) HSRB.

Menurut
[11],
itu
[11], NSE
estimasi,
Chen
mereka
NSE
danChen
dan
oleh
dan
ChauRMSE
dan
secara
karena
RMSE Chau
(2016) menskalakan
khusus (2016)
menskalakan
itu mereka [11],
mencerminkanmean
skala
secara
mean squared
NSE mencerminkan
khusus
kinerja
squared dan
error
pada RMSE
error Menurut
nilai mean
daritinggi.
modelChen
squared
kinerja
Dengandan
estimasi,
pada error
Chau
olehMenurut
demikian,
nilai (2016)
tinggi.
karena
model
Dengan
tidak
dapat
mengatasi
padadapat
tidak
mengatasi
interval demikian,
dapat
nilai
memberikan
nilai
tinggi.
masalah
masalah model
memberikan
memberikan
yangDengan
berbeda.
performa
ini, estimasi
ini, rentang
rentang
pembahasan
performa
demikian,
Untuk di
eksplisit
aliran
aliranatas,
mengatasi
eksplisitoleh
pembahasan
pada
yang
eksplisit karena
yanginterval
diskusi
berbeda
berbeda
masalah
tentang itu
kriteria
kriteria
waktu
(dari
pada
ini, secara
kriteria
evaluasi
yang
sangat
rentang
evaluasi
interval khusus
evaluasi
berbeda.
tinggi
dan
aliran
nilai
danplot mencerminkan
yang
hingga
dan
plot
yang
nilai-nilai.
data
data
plot
berbeda.
berbeda
kinerja
estimasi
data
estimasi
Untuk kinerja
estimasi
pada
Untuk
(dari
ditidak
atas
aliran
ke
aliran)
untuk sangat
sangat
periode tinggi
ditentukan.
rendah) hingga
validasi
ditentukan.
Reproduksi sangat
(Gambar 6).rendah)
Reproduksi
aliranFDC
sungai ditentukan.
untuk
aliran
dianalisis
LRB
sungai Reproduksi
menunjukkan
dengan
dianalisis
FDC aliran
oleh
dan
LRB sungai
HSRB
FDC
(dari
LRB sangat
untuk
aliran
dan rendah
periode
sangat
HSRB tinggi
validasi (Gambar 6).

FDC
untukuntuk LRB
periode menunjukkan
validasi (Gambar bahwa
6). FDCJSTuntuk
yangLRB
dilakukan dianalisis
menunjukkan oleh FDC
bahwa ANNLRB danlebih
bekerja HSRB baik
pada
segmen
JST
HSRB,
SWAT
SWAT segmen
diperoleh
lebihsecara
baik
lebih
SWAT
lebih
aliran
oleh
hanyaaliran
grafis
baik
baik
lebih
sangat
SWAT sangat
hanya
pada
pada
serupa
baik
tinggi
dan
arus tinggi
segmen
pada
hanya
untuk
JST
yang
dan
arus dan
secara
serupa
pada
sisa
aliran
SWAT SWAT
sangat
yang
segmen
arus
sangat
grafis
secara
lebih lebih
sangat
rendah.
yang
serupa
aliran
baik baik
rendah.
grafis
rendah.
sangat
segmen pada
disegmen
segmen
untuk
bahwa
rendah.segmen
aliran
Nilai
sisa
aliran
aliran
JSTsegmen
di
yang
lainnyaaliran
secara
LRB.
sangat
sangat
diperoleh
Untuk
di sangat
aliran
umum
rendah.
LRB.
rendah.
HSRB,
dioleh tinggi
Untuk
lebih
LRB. dan
Nilai-nilai
Nilai
SWAT
baik
SWAT
Untuk
HSRB,
yang
didan
yang

(a) (b)
(a) (b)

Gambar 6. FDC masa validasi (a) LRB; (b) HSRB.

Gambar 6. FDC masa validasi (a) LRB; (b) HSRB. Gambar 6. FDC masa validasi (a) LRB; (b) HSRB.

Analisis kinerja berdasarkan RMSE di setiap fase hidrograf juga dilakukan, juga dilakukan
analisis kinerja berdasarkan RMSE di setiap fase hidrograf, sebagai Analisis kinerja
berdasarkan
pada TabelRMSE 10. di
Hasil
setiap
terbaik
fase untuk
hidrograf
setiap
jugacekungan
dilakukan, disorot
seperti
dengan
yang tercermin
huruf tebal.
tercermin
Seperti
yang diharapkan, tinggi tercermin dalam Tabel 10. Hasil terbaik untuk setiap cekungan disorot
dengan
yang
cekungan
bias terhadap
lebih
huruf
disorot
baiktebal.
puncak
disimulasikan
dengan
Seperti
lebihhuruf
yang
baik
dengan
tebal.
disimulasikan
diharapkan,
mengorbankan
Seperti tinggi
yang
dengan diharapkan,
padaaliran
mengorbankan
Tabel
rendah
10.
puncak
karena
Hasil
aliran
tinggi
terbaik
fakta
rendah
adalah
bahwa
untuk
karena
puncak
setiap
RMSE
fakta
SWAT
bahwa bahwa
lebih
RMSE RMSE
baik bias biaspendugaan
dalam menuju
terhadap simulasi
nilai tinggi. yang lebih
nilai aliran
sangat
nilai-nilai
rendahbaiktinggi.
tinggi. di biaya
Nilai RMSEaliran
Nilai RMSE rendah
menunjukkan karena
menunjukkan fakta
bahwa bahwa
model
model
aliran
modelsangat
dalam SWAT
SWAT
semua tinggi
lebih
lebih
kasus.
baik
dalam
baik
JST dalam
dalam
dalam
semuaestimasi
estimasi
estimasi
kasus. aliran
aliran
aliran
sangat
dan
dan
yangaliran
ANNrendah
sangat
sangat
dalamNilai
tinggi
estimasi
rendah
RMSE
dalam dan
aliran
menunjukkan
semua
ANN
yang
kasus.
dalam
sangat
bahwa
estimasi
tinggi
Machine Translated by Google

Air 2018, 10, 192 15 dari 19

Tabel 10. Nilai RMSE (m3/s) model SWAT dan ANN pada masing-masing fase hidrograf.

Baskom

LRB HSRB
Fase Hidrograf
Kalibrasi Validasi Kalibrasi Validasi
Rentang Aliran (m3 / s) Rentang Aliran (m3 / s)
JUMLAH SWAT JUMLAH SWAT JUMLAH SWAT JUMLAH SWAT

Aliran yang sangat tinggi [82.88, 478.29] 73,40 64,26 100,42 92,72 26,71 26,06 [4.52, 51.70] 6,64 5,80 5,98 5,81
Aliran tinggi [30.37, 82.87] 21,85 26,43 13,93 13,74 12,36 12,74 [2.14, 4.51] 1,53 2,29 0,91 1,30
Aliran sedang [6.29, 30.32] 5,17 10,10 1,50 7,41 [1.03, 2.13] 0,99 0,84 0,73 0,64
Aliran rendah [1.21, 6.28] 8,97 6,79 [0.61, 1.02] 0,54 0,58 0,53 0,48
Aliran sangat rendah [0.48, 1.20] 7,80 1,00 [0, 0.60] 0,29 0,90 0,60 1,22

Hasil serupa mengenai inefisiensi aliran puncak SWAT telah diperoleh dalam penelitian lain (misalnya,
[5,22,23]), yang menyatakan bahwa inefisiensi aliran puncak dapat disebabkan oleh perumusan.
Hasil yang diperoleh menunjukkan bahwa penggunaan model JST dapat membantu mengurangi kesalahan
dalam pendugaan nilai aliran sungai yang tinggi, meskipun hal ini juga diremehkan. Salah satu alasannya
adalah bahwa data bernilai tinggi langka dalam set data pelatihan, nilai sedang dan rendah lebih banyak
seperti yang diilustrasikan dalam cloud of point di scatterplots pada Gambar 4. Masalah dalam penerapan
jaringan saraf ini memiliki juga telah dilaporkan dalam karya Minns and Hall (1996) [15] dan Talebizadeh
et al., (2010) [62]. Di sisi lain, model SWAT mensimulasikan estimasi nilai aliran rendah lebih baik daripada
JST. Secara umum, model JST cenderung melebih-lebihkan nilai aliran sungai yang rendah.
Ketidakmampuan ini dapat dikaitkan dengan hubungan non-linier kompleks yang mengatur proses aliran
rendah, seringkali terkait dengan aliran dasar dari air tanah. Kinerja JST dapat memburuk dengan
peningkatan non-linier [15]. Secara umum diterima bahwa proses pembangkitan aliran sungai cenderung
sangat berbeda selama periode aliran rendah, sedang, dan tinggi.
Aliran dasar terutama berkontribusi pada peristiwa aliran rendah sedangkan curah hujan badai yang intens
menimbulkan peristiwa aliran tinggi [63]. Oleh karena itu, model JST global tunggal tidak dapat memprediksi
tinggi dan rendahnya kejadian limpasan secara memuaskan [15]. Model SWAT dapat memperoleh hasil
yang memuaskan untuk estimasi aliran rendah tetapi tidak dapat mensimulasikan aliran yang sangat tinggi
dengan akurasi yang sama. Berbeda dengan SWAT, JST tunggal dapat memperoleh hasil yang lebih baik
untuk nilai yang sangat tinggi tetapi tidak untuk nilai terendah; hasil ini mirip dengan yang diperoleh oleh
Kim et al., (2015) [23]. Oleh karena itu, penggunaan model ini cocok untuk mensimulasikan aliran sungai
di suatu cekungan. Dalam kasus studi kejadian hidrologi ekstrim (misalnya banjir), disarankan untuk
menggunakan model JST untuk mensimulasikan kejadian aliran tinggi. Jika tidak, dalam studi pengelolaan
hidrologi di mana kejadian aliran rendah lebih menarik, penerapan model SWAT akan lebih diinginkan.
Selain itu, penting untuk mempertimbangkan kelemahan masing-masing model. Di Spanyol, relatif lebih
mudah untuk mendapatkan data input, seperti aliran sungai dan data curah hujan, untuk model JST melalui
sumber online pemerintah dibandingkan dengan data mengenai karakteristik fisik DAS, seperti kelembaban
tanah, infiltrasi, kelas tanah. , muka air tanah dan penguapan, untuk model SWAT. Selain itu, waktu yang
digunakan dalam penyiapan dan kalibrasi SWAT lebih tinggi daripada waktu yang digunakan dalam
implementasi model JST. Namun, JST adalah kotak hitam, dan neraca air serta komponennya tidak
diperoleh. Penggunaan curah hujan dan suhu sebagai satu-satunya input model, di sisi lain, merupakan
keterbatasan model JST yang digunakan karena hubungan curah hujan-limpasan juga dipengaruhi oleh parameter fisik yang
Non-pertimbangan penggunaan lahan atau pengelolaan lahan dalam model JST membuat model
SWAT lebih menguntungkan jika sejumlah skenario harus dibuat untuk menyelidiki respon DAS [1].
Hasil penelitian ini menyarankan, bagaimanapun, bahwa pendekatan JST sangat efisien untuk
mensimulasikan proses hidrologi karena memerlukan variabel input yang sangat sedikit dan sumber daya
minimal untuk diterapkan dan oleh karena itu, cukup menjanjikan untuk pengembangan pendekatan lain seperti
simulasi. proses kualitas air, seperti yang tercermin dalam beberapa studi (misalnya, [64-66]).
Machine Translated by Google

Air 2018, 10, 192 16 dari 19

4. Kesimpulan

Kami mengusulkan penggunaan SWAT, model berbasis semi-fisik, dan JST, teknik pembelajaran mesin,
untuk mensimulasikan nilai aliran arus harian dan membandingkan hasil kedua model untuk menganalisis
kemampuannya. Mereka diterapkan di dua cekungan dengan iklim yang kontras untuk memeriksa validitas model
ini di cekungan dengan kondisi iklim yang berbeda. Untuk menentukan jenis dan jumlah input untuk model JST,
empat skenario dipertimbangkan di setiap cekungan yang diteliti, dan mereka menunjukkan bahwa dimasukkannya
curah hujan harian, curah hujan hari-hari sebelumnya, dan curah hujan total pada hari-hari sebelumnya penting
untuk memperkirakan aliran sungai harian. Setelah mengkalibrasi model SWAT untuk aliran sungai yang diamati
setiap hari melalui algoritma SUFI-2, hasilnya menunjukkan bahwa SWAT memiliki kinerja yang lebih baik dalam
memperkirakan nilai aliran sungai yang sangat rendah, sedangkan ANN memperkirakan nilai yang sangat tinggi
dengan presisi yang lebih tinggi dalam semua kasus yang dipelajari. Selain itu, hasilnya menunjukkan bahwa
model SWAT dan JST lebih baik saat iklim lebih lembab. Ketika cekungan memiliki cuaca yang lebih kering dan,
oleh karena itu, lebih rumit untuk dimodelkan, ANN memperoleh kinerja yang lebih baik pada fase hidrograf yang lebih banyak.
Salah satu keuntungan dari model JST adalah tidak memerlukan karakteristik fisik DAS sehingga implementasinya
lebih mudah. Namun demikian, sebaliknya, fitur yang sama sekali implisit dan tidak berarti secara fisik juga
menjadi kritik utama. Masih diperlukan pengembangan model estimasi dengan ide-ide konseptual untuk
mencerminkan karakteristik aliran sungai. JST adalah kotak hitam , dan untuk mendapatkan pengetahuan tentang
neraca air dan komponennya, model SWAT lebih bermanfaat. Terlepas dari keuntungan dan kerugian dari masing-
masing model, hasil menunjukkan bahwa untuk mensimulasikan nilai deret waktu aliran sungai, pilihan antara
SWAT atau ANN berdampak pada keakuratan estimasi aliran. Ide untuk memodelkan aliran arus ini dapat
diperluas ke teknik pembelajaran mesin lainnya, yang dapat kita jelajahi dalam pekerjaan mendatang. Selain itu,
model JST hanya mempertimbangkan input curah hujan dan temperatur. Pengaruh masukan lain yang terkait
dengan aliran sungai dapat dieksplorasi tambahan untuk meningkatkan studi saat ini.

Ucapan Terima Kasih: Penulis pertama didukung oleh program beasiswa penelitian Catholic University of Murcia (UCAM). Pekerjaan ini sebagian
didukung oleh proyek GESINHIMPADAPT (CGL2013-48424-C2-2-R).
Kami mengakui Layanan Proofreading & Editing Papercheck.

Kontribusi Penulis: Semua penulis memberikan kontribusi yang signifikan terhadap pengembangan metodologi yang diterapkan dalam penelitian
ini. Patricia Jimeno-Sáez merancang percobaan dan menulis manuskripnya. Julio Pérez-Sánchez dan Javier Senent-Aparicio membantu melakukan
eksperimen dan mengulas serta membantu menyiapkan makalah ini untuk publikasi. David Pulido-Velázquez sebagai pembimbing Patricia Jimeno-
Sáez memberikan banyak saran penting tentang konsep metodologi dan struktur naskah.

Konflik Kepentingan: Para penulis menyatakan tidak ada konflik kepentingan.

Referensi

1. Amirhossien, F.; Alireza, F.; Kazem, J.; Mohammadbagher, S. Perbandingan model ANN dan HSPF untuk simulasi limpasan di DAS Balkhichai,
Iran. Saya. J.Clim. Chang. 2015, 4, 203–216. [Referensi Silang]
2. Pfannerstill, M.; Björn, G.; Fohrer, N. Smart Low Flow Signature Metrics untuk Peningkatan Evaluasi Kinerja Keseluruhan Model Hidrologi. J.
Hidrol. 2014, 510, 447–458. [Referensi Silang]
3. Madsen, H. Kalibrasi otomatis dari model hujan-limpasan konseptual menggunakan beberapa tujuan. J. Hidrol.
2000, 235, 276–288. [Referensi Silang]

4. Noori, N.; Model Kalin, L. Coupling SWAT dan ANN untuk Prediksi aliran aliran harian yang disempurnakan. J. Hidrol.
2016, 533, 141–151. [Referensi Silang]

5. Makwana, JJ; Tiwari, MK Pemodelan aliran sungai hidrologi menggunakan soil and water assessment tool (SWAT) dan neural network (NNs)
untuk DAS Limkheda, Gujarat, India. Model. Sistem Bumi. Mengepung.
2017, 3, 635–645. [Referensi Silang]

6.Arnold , JG; Srinivasan, R.; Muttiah, RS; Williams, JR Pemodelan dan penilaian hidrologi area luas
bagian I: Pengembangan model. Selai. Sumber Daya Air. Asosiasi 1998, 34, 73–89. [Referensi Silang]
7. Grusson, Y.; Anctil, F.; Sauvage, S.; Sánchez Pérez, JM Menguji Model SWAT dengan Data Cuaca Berjaringan
Resolusi Spasial yang Berbeda. Air 2017, 9, 54. [Ref Silang]
Machine Translated by Google

Air 2018, 10, 192 17 dari 19

8. Abbaspur, KC; Rouholahnejad, E.; Vaghefi, S.; Srinivasan, R.; Yang, H.; Klove, B. Model hidrologi skala benua dan kualitas air untuk Eropa:
Kalibrasi dan ketidakpastian model SWAT skala besar beresolusi tinggi . J. Hidrol. 2015, 524, 733–752. [Referensi Silang]

9. Olyaie, E.; Banejad, H.; Chau, KW; Melesse, AM Perbandingan berbagai kecerdasan buatan mendekati kinerja
untuk memperkirakan muatan sedimen tersuspensi dari sistem sungai: Sebuah studi kasus di Amerika Serikat.
Mengepung. Monit. Menilai. 2015, 187, 189. [Referensi Silang] [PubMed]

10. Gholami, V.; Chau, KW; Fadaee, F.; Torkaman, J.; Ghaffari, A. Pemodelan fluktuasi muka air tanah menggunakan dendrokronologi pada akuifer
aluvial. J. Hidrol. 2015, 529, 1060–1069. [Referensi Silang]
11.Chen , XY; Chau, KW Sebuah hybrid double feedforward neural network untuk estimasi beban sedimen tersuspensi.
Sumber Daya Air. Kelola. 2016, 30, 2179–2194. [Referensi Silang]
12. Jimeno-Sáez, P.; Senent-Apricio, J.; Pérez-Sánchez, J.; Pulido-Velazquez, D.; Cecilia, JM Estimasi Aliran Puncak Sesaat Menggunakan Model
Machine-Learning dan Formula Empiris di Semenanjung Spanyol.
Air 2017, 9, 347. [Ref Silang]

13. Panu, AS; Khalil, M.; Elshorbagy, A. Teknik pengisian data Streamflow berdasarkan konsep group dan neural network. Dalam Jaringan Syaraf
Tiruan dalam Hidrologi; Govindaraju, RS, Rao, AR, Eds.; Perpustakaan Ilmu dan Teknologi Perairan; Springer: Dordrecht, Belanda, 2000;
Volume 36, hlm. 235–258.
ISBN 978-94-015-9341-0. [Referensi Silang]

14. Elsholberg, A.; Simonovic, SP; Panu, US Estimasi data aliran sungai yang hilang menggunakan prinsip teori chaos. J. Hidrol. 2002, 255, 123–
133. [Referensi Silang]
15. Minns, W.; Hall, MJ Jaringan saraf tiruan sebagai model limpasan curah hujan. Hidrol. Sains. J. 1996, 41, 399–417.
[Referensi Silang]

16. Talebizadeh, M.; Moridnejad, A. Analisis ketidakpastian untuk prakiraan fluktuasi muka air danau menggunakan ansambel model ANN dan
ANFIS. Exp. Sistem. Aplikasi 2011, 38, 4126–4135. [Referensi Silang]
17.Singh ,A.; Imtiyaz, M.; Ishak, RK; Denis, DM Perbandingan alat penilaian tanah dan air (SWAT) dan jaringan saraf tiruan multilayer perceptron
(MLP) untuk memprediksi hasil sedimen di DAS pertanian Nagwa di Jharkhand, India. Pertanian. Manajer Air. 2012, 104, 113–120. [Referensi
Silang]
18. Shiau, JT; Hsu, HT Kesesuaian model ekstensi aliran arus harian berbasis JST: studi kasus Gaoping
Cekungan sungai, Taiwan. Sumber Daya Air. Kelola. 2016, 30, 1499–1513. [Referensi Silang]
19. Ng, WW; Panu, AS; Lennox, studi perbandingan WC dalam masalah hilangnya catatan aliran sungai harian yang ekstrim. J. Hidrol. Eng. 2009,
14, 91–100. [Referensi Silang]
20. Wang, Y.; Guo, S.; Xiong, L.; Liu, P.; Liu, D. Model Peramalan Limpasan Harian Berdasarkan JST dan Data
Teknik Preprocessing. Air 2015, 7, 4144–4160. [Referensi Silang]
21. Srivastava, P.; McNair, JN; Johnson, TE Perbandingan pendekatan berbasis proses dan jaringan syaraf tiruan untuk pemodelan aliran sungai di
DAS pertanian. Selai. Sumber Daya Air. Asosiasi 2006, 42, 545–563. [Referensi Silang]

22. Demirel, MC; Venancio, A.; Kahya, E. Perkiraan aliran dengan model SWAT dan ANN di cekungan Pracana, Portugal.
Lanjut Eng. Lembutw. 2009, 40, 467–473. [Referensi Silang]
23. Kim, M.; Baek, S.; Ligaray, M.; Pyo, J.; Taman, M.; Cho, KH Studi banding metode imputasi yang berbeda untuk memulihkan pengamatan aliran.
Air 2015, 7, 6847–6860. [Referensi Silang]
24. Coch, A.; Mediero, L. Tren aliran rendah di Spanyol pada periode 1949–2009. Hidrol. Sains. J. 2016, 61, 568–584.
[Referensi Silang]

25. Instituto Geologico y Minero de España (IGME). Identifikasi dan Caracterización de la Interrelación Que Se Presenta Entre Aguas Subterráneas,
Cursos Fluviales, Descargas Por Manantiales, Zonas Húmedas y Otros Ecosistemas Naturales de Especial Interés Hídrico: 011 Miño-Sil.
Memoria Técnica (Dalam bahasa Spanyol). Tersedia online: http://info.igme.es/SidPDF/146000/839/146839_0000001.pdf (diakses pada 7
September 2017).
26. Senent-Aparicio, J.; Pérez-Sánchez, J.; Carrillo-García, J.; Soto, J. Menggunakan SWAT dan Fuzzy TOPSIS untuk Menilai Dampak Perubahan
Iklim di Hulu Daerah Aliran Sungai Segura (Spanyol Tenggara). Air 2017, 9, 149.
[Referensi Silang]

27. Moral, F.; Cruz-Sanjulian, JJ; Olias, M. Evolusi geokimia air tanah di akuifer karbonat Sierra de Segura (Betic Cordillera, Spanyol selatan). J.
Hidrol. 2008, 360, 281–296. [Referensi Silang]
28. Belmar, O.; Velasco, J.; Martinez-Capel, F. Klasifikasi hidrologi rezim aliran alami untuk mendukung penilaian aliran lingkungan di sungai
Mediterania yang diatur secara intensif, Cekungan Sungai Segura (Spanyol).
Mengepung. Kelola. 2011, 47, 992. [Ref Silang] [PubMed]
Machine Translated by Google

Air 2018, 10, 192 18 dari 19

29. Pusat Studi dan Eksperimen Pekerjaan Umum (CEDEX). Anuario de Aforos (Dalam bahasa Spanyol).
Tersedia online: http://ceh-flumen64.cedex.es/anuarioaforos/default.asp (diakses pada 20 Agustus 2017).

30. Konfederasi Sungai Segura. Visor GIS Para Consulta y Descarga de Datas de Embalses. Tersedia online: https://
www.chsegura.es/chs/cuenca/redesdecontrol/estadisticashidrologicas/visorembalses/ visorjs.html (diakses pada 20
Agustus 2017).
31. Herrera, S.; Gutiérrez, JM; Ancell, R.; Pons, MR; Frias, MD; Fernández, J. Pengembangan dan analisis kumpulan data presipitasi harian
beresolusi tinggi selama 50 tahun di Spanyol (Spanyol02). Int. J.Climatol. 2012, 32, 74–85. [Referensi Silang]

32. Ciach, GJ Kesalahan acak lokal dalam pengukuran alat pengukur hujan tipping-bucket. J.Atmos. Laut. Technol. 2010, 20, 752–759. [Referensi
Silang]

33. Institut Geografis Nasional Spanyol. Tersedia online: http://www.ign.es/web/ign/portal (diakses di

17 Agustus 2017).
34. Nachtergaele, F.; van Velthuizen, H.; Verelst, L.; Batjes, N.; Dijkshoorn, K.; van Engelen, V.; Fischer, G.; Jones, A.; Montanarella, L.; Petri, M.
Harmonisasi Basis Data Tanah Dunia; Organisasi Pangan dan Pertanian Perserikatan Bangsa-Bangsa: Roma, Italia, 2008.

35. Corine Land Cover 2006. Seamless Vector Data—European Environment Agency. Tersedia daring:
https://www.eea.europa.eu/data-and-maps/data/clc-2006-vector-4 (diakses pada 20 Juni 2017).
36. Hargreaves, GH Mendefinisikan dan menggunakan referensi evapotranspirasi. J. Irrig. Mengeringkan. Eng. 1994, 120, 1132–1139.
[Referensi Silang]

37. Schneider, K.; Ketzer, B.; Breuer, L.; Vache, KB; Bernhofer, C.; Frede, HG Evaluasi metode evapotranspirasi
untuk validasi model di DAS semi-kering di Cina utara. Lanjut Geosci. 2007, 11, 37–42. [Referensi Silang]
38. Singh, V.; Bankar, N.; Salunkhe, SS; Bera, AK; Sharma, JR Pemodelan aliran hidrologi DAS Tungabhadra: parameterisasi dan analisis
ketidakpastian menggunakan SWAT CUP. Kur. Sains. India 2013, 104, 1187–1199.

39. Abbaspur, KC; Vejdani, M.; Haghighat, S. program kalibrasi dan ketidakpastian SWAT-CUP untuk SWAT.
Dalam Prosiding Modsim 2007: Kongres Internasional tentang Pemodelan dan Simulasi, Christchurch, Selandia Baru, 3–8 Desember 2007;
hlm. 1603–1609.
40. Arnold, JG; Moriasi, DN; Gassman, PW; Abbaspur, KC; Putih, MJ; Srinvasan, R.; Santhi, C.; Harmel, RD; van Griensven, A.; van Liew, MW; et
al. SWAT: Penggunaan model, kalibrasi, dan validasi.
Trans. ASABE 2012, 55, 1491–1508. [Referensi Silang]

41. Molina-Navarro, E.; Martínez-Pérez, S.; Sastre-Merlin, A.; Bienes-Allas, R. Pemodelan hidrologi di cekungan mediterania kecil sebagai alat untuk
menilai kelayakan waduk limno. J.Lingkungan. Kual. 2014, 43, 121–131.
[Referensi Silang] [PubMed]

42. Yang, J.; Reichert, P.; Abbaspur, KC; Xia, J.; Yang, H. Membandingkan teknik analisis ketidakpastian untuk aplikasi SWAT ke Cekungan
Chaohe di Cina. J. Hidrol. 2008, 358, 1–23. [Referensi Silang]
43. Govindaraju, RS Jaringan saraf tiruan dalam hidrologi. I: Konsep awal. J. Hidrol. Eng. 2000, 5,
115–123. [Referensi Silang]

44. Levenberg, K. Metode Solusi Masalah Tertentu dalam Kuadrat Terkecil. Aplikasi Matematika. 1944, 2, 164–168.
45. Marquardt, D. Algoritma untuk Estimasi Kuadrat Terkecil dari Parameter Nonlinear. Aplikasi Matematika. 1963,
431–441. [Referensi Silang]

46. Nayebi, M.; Khalili, D.; Amin, S.; Zand-Parsa, S. Kemampuan prediksi aliran aliran harian jaringan saraf tiruan yang dipengaruhi oleh data suhu
udara minimum. Biosistem. Eng. 2006, 95, 557–567. [Referensi Silang]
47. Ki¸si, Ö. Peramalan Streamflow menggunakan algoritma jaringan syaraf tiruan yang berbeda. J. Hidrol. Eng. 2007, 12,
532–539. [Referensi Silang]

48. Yasin, ZM; El-shafie, A.; Jaafar, O.; Afan, HA; Sayl, KN Model berbasis kecerdasan buatan untuk
peramalan aliran-aliran: 2000–2015. J. Hidrol. 2015, 530, 829–844. [Referensi Silang]
49. Elliott, DL Fungsi Aktivasi yang Lebih Baik untuk Jaringan Syaraf Tiruan; Institut Penelitian Sistem,
Universitas Maryland: College Park, MD, AS, 1993.
50. Dawson, CW; Wilby, RL Pemodelan hidrologi menggunakan jaringan syaraf tiruan. Prog. Fisika. Geogr. 2001, 25, 80–108. [Referensi Silang]

51. Moriasi, DN; Arnold, JG; Van Liew, MW; Bingner, RL; Harmel, RD; Veith, pedoman evaluasi Model TL untuk kuantifikasi akurasi yang sistematis
dalam simulasi DAS. Trans. Saya. Soc. Pertanian. Eng.
2007, 50, 885–900. [Referensi Silang]
Machine Translated by Google

Air 2018, 10, 192 19 dari 19

52. Gupta, HV; Sorooshian, S.; Yapo, PO Status kalibrasi otomatis untuk model hidrologi: Perbandingan dengan kalibrasi pakar
bertingkat. J. Hidrol. Eng. 1999, 4, 135–143. [Referensi Silang]
53. Kalin, L.; Isik, S.; Schoonover, JE; Lockaby, BG Memprediksi kualitas air di DAS yang tidak terpantau menggunakan Jaringan
Syaraf Tiruan. J.Lingkungan. Kual. 2010, 39, 1429–1440. [Referensi Silang] [PubMed]
54. Masyarakat Insinyur Pertanian dan Biologi Amerika (ASABE). Pedoman Kalibrasi, Validasi, dan Evaluasi Model Hidrologi dan
Kualitas Air (H/WQ); ASABE 621 JUN2017; ASABE: St. Joseph, MI, USA, 2017.

55. Raposo, JR; Dafonte, J.; Molinero, J. Menilai dampak perubahan iklim di masa depan pada resapan air tanah
di Galicia-Costa, Spanyol. Hidrogeol. J.2013 , 21, 459–479. [Referensi Silang]
56. Conan, C.; de Marsily, G.; Bouraoui, F.; Bidoglio, G. Pemodelan hidrologi jangka panjang di bagian atas
DAS Guadiana (Spanyol). Fisika. kimia Earth 2003, 28, 193–200. [Referensi Silang]
57. Arnold, JG; Kiniry, JR; Srinivasan, R.; Williams, JR; Haney, EB; Neitsch, SL Dokumentasi Input/Output Alat Penilaian Tanah dan
Air : Versi 2012; Laporan Teknis Texas Water Resources Institute: College Station, TX, USA, 2012; Volume TR-439, Tersedia
online: http://swat.tamu.edu/media/69296/ SWAT-IO-Documentation-2012.pdf (diakses pada 20 Juni 2017).

58. Neitsch, SL; Arnols, JG; Kiniry, JR; Williams, Dokumentasi Teoritis Alat Pengkajian Tanah dan Air JR, versi 2009; Universitas A&M
Texas: College Station, TX, AS, 2011. Tersedia online: http://swat.tamu. edu/media/99192/swat2009-theory.pdf (diakses pada
2 Juli 2017).
59. Soriano, G.; Samper, J. Pemantauan dan pemodelan kuantitas dan kualitas air di DAS percontohan di barat laut Spanyol. Dalam
Pemantauan dan Pemodelan Kuantitas dan Kualitas Air DAS; Verhoest, N., Hudson, J., Hoeben, R., De Troch, F., Eds.; IHP-
VI, Dokumen Teknis Hidrologi, No. 66; UNESCO: Paris, Prancis, 2003.

60. Arnold, JG; Allen, PM Metode otomatis untuk memperkirakan aliran dasar dan pengisian air tanah dari
catatan aliran sungai. JAWRA 1999, 35, 411–424. [Referensi Silang]
61. Pérez-Sánchez, J.; Senent-Apricio, J.; Segura-Méndez, F.; Pulido-Velazquez, D. Penilaian model keseimbangan hidrologi
disamakan di semenanjung Spanyol. Hidrol. Sistem Bumi. Sains. 2017. [Referensi Silang]
62. Talebizadeh, M.; Morid, S.; Ayyoubzadeh, SA; Ghasemzadeh, M. Analisis ketidakpastian dalam pemodelan beban sedimen
menggunakan model ANN dan SWAT. Sumber Daya Air. Kelola. 2010, 24, 1747–1761. [Referensi Silang]
63. Wu, CL; Chau, KW; Li, YS Memprediksi aliran bulanan menggunakan model berbasis data digabungkan dengan
teknik pemrosesan data. Sumber Daya Air. Res. 2009, 45. [Referensi Silang]
64. Babbar, R.; Babbar, S. Memprediksi indeks kualitas air sungai dengan teknik data mining. Mengepung. Ilmu Bumi.
2017, 76, 504. [Referensi Silang]

65. Huo, S.; Dia, Z.; Su, J.; Xi, B.; Zhu, C. Menggunakan model jaringan syaraf tiruan untuk prediksi eutrofikasi.
Lingkungan Procedia. Sains. 2013, 18, 310–316. [Referensi Silang]

66. Kuo, JT; Hsieh, MH; Paru-paru, WS; Dia, N. Menggunakan jaringan saraf tiruan untuk eutrofikasi reservoir
ramalan. Ekol. Model. 2007, 200, 171–177. [Referensi Silang]

© 2018 oleh penulis. Penerima Lisensi MDPI, Basel, Swiss. Artikel ini adalah artikel akses terbuka yang
didistribusikan berdasarkan syarat dan ketentuan Atribusi Creative Commons

(CC BY) lisensi (http://creativecommons.org/licenses/by/4.0/).