In this study Active Learning Method (ALM) as a novel fuzzy modeling approach is compared with optimized Support Vector Machine (SVM) using simple Genetic Algorithm (GA), as a well known datadriven model for long term simulation of daily streamflow in Karoon River. The daily discharge data from 1991 to 1996 and from 1996 to 1999 were utilized for training and testing of the models, respectively. Values of the Nash-Sutcliffe, Bias, R2 , MPAE and PTVE of ALM model with 16 fuzzy rules were 0.81, 5.5 m3 s -1, 0.81, 12.9%, and 1.9%, respectively. Following the same order of parameters, these criteria for optimized SVM model were 0.8, -10.7 m3 s-1, 0.81, 7.3%, and -3.6%, respectively. The results show appropriate and acceptable simulation by ALM and optimized SVM. Optimized SVM is a well-known method for runoff simulation and its capabilities have been demonstrated. Therefore, the similarity between ALM and optimized SVM results imply the ability of ALM for runoff modeling. In addition, ALM training is easier and more straightforward than the training of many other data driven models such as optimized SVM and it is able to identify and rank the effective input variables for the runoff modeling. According to the results of ALM simulation and its abilities and properties, it has merit to be introduced as a new modeling method for the runoff modeling. and Cieľom štúdie bolo porovnať možnosti dlhodobej simulácie denných prietokov v rieke Karoon pomocou novovyvinutej fuzzy metódy aktívneho učenia (Active Learning Method - ALM) a známej metódy vektormi podporených strojov (Support Vector Machine - SVM), optimalizovanej genetickým algoritmom (GA). Na tréning a testovanie modelov boli použité časové rady denných prietokov za obdobie rokov 1991 až 1996 a 1996 až 1999. Hodnoty parametrov Nash-Sutcliffe, Bias, R2 , MPAE a PTVE pre model ALM boli 0,81; 5,5 m3 s-1; 0,81; 12,9% a 1,9%. Parametre v tom istom poradí pre model SVM boli 0,8 -10,7 m3 s-1, 0,81; 7,3%; a -3,6%. Z výsledkov simulácií vyplýva, že aplikáciou metód ALM a SVM možno získať porovnateľné a akceptovateľné výsledky. Podobnosť výsledkov medzi ALM a SVM implikuje vhodnosť novovyvinutej metódy ALM pre simuláciu odtoku. Tréning ALM je ľahší a jednoduchší ako je tréning ďalších dátami riadených modelov podobného typu. Navyše algoritmus ALM je schopný identifikovať a zoradiť efektívne vstupné premenné pre modelovanie odtoku. Na základe dosiahnutých výsledkov možno metódu ALM zaradiť medzi nové, alternatívne metódy modelovania odtoku.
The necessity to generate time series of runoff for planning and design purposes and environmental protection at ungauged sites is often the case in water resources studies. As in the case of the absence of measured runoff optimisation techniques cannot be used to estimate the parameters of rainfall-runoff models, regional estimation methods are used instead. In previous studies usually regression methods were used for relating the model parameters to the catchment characteristics in a given region. In the paper a different method for the regional calibration of a monthly water balance model is proposed for the case of sparse runoff data. Instead of using the regional regression, the method involves the regional calibration of a monthly water balance model to several gauged catchments in a given region simultaneously. These catchments were pooled together using cluster analysis of selected basin physiographic properties. For the model calibration a genetic programming algorithm was employed and two problem specific fitness functions were proposed. It is expected, that the regionally calibrated model parameters can be used in ungauged basins with similar physiographic conditions. The performance of such a regional calibration scheme was compared with two single site calibration methods in the Záhorie region of West Slovakia. and Článok sa zaoberá možnosťami využitia hydrologického modelovania pre účely určovania prietokov v povodiach bez ich pozorovaní. V takýchto prípadoch nemožno určiť parametre modelu klasickou kalibráciou, pri ktorej sa pri hľadaní parametrov modelu posudzuje čo najlepšia zhoda medzi simulovanými a pozorovanými prietokmi. Jednou z možností je zisťovanie parametrov modelu na základe posudzovania ich vzájomného vzťahu s hydrologickými, topografickými alebo fyzicko-geografickými vlastnosťami povodí, ktoré zohrávajú pri tvorbe odtoku dominantnú úlohu, ďalšia možnosť je určenie jednotných parametrov modelu kalibráciou modelu pre skupinu povodí (región alebo regionálny typ), vyčlenenú na základe podobných vlastností ovplyvňujúcich tvorbu odtoku. V článku je aplikovaná metodika určovania regionálnych parametrov hydrologického bilančného modelu v mesačnom časovom kroku na vybraných povodiach západného Slovenska. Namiesto prístupu regionálnej regresie je tu využitý spôsob regionálnej kalibrácie modelu pre regióny vyčlenené na základe podobnosti rôznych fyzicko-geografických vlastností. Pri regionálnej kalibrácii modelu boli využité metódy genetického algoritmu, pričom boli testované dve objektívne funkcie. Výsledky regionálnej kalibrácie sú porovnané s výsledkami kalibrácie modelu pre jednotlivé povodia. Regionálne určené parametre modelu môžu byť využité na modelovanie priemerných mesačných prietokov v povodiach bez pozorovaní, patriacich do príslušného regiónu alebo regionálneho typu.