La compréhension des processus hydrologiques nécessite l'utilisation de techniques de modélisation en raison des interactions complexes entre les facteurs environnementaux. L'estimation des paramètres du modèle reste un défi important dans la modélisation du ruissellement pour les bassins versants non jaugés. Cette recherche évalue la capacité de l'outil d'évaluation des sols et de l'eau à simuler les comportements hydrologiques dans le bassin de la rivière Tha Chin en mettant l'accent sur les prévisions de ruissellement provenant de la régionalisation des paramètres hydrologiques du bassin jaugé, le bassin de la rivière Mae Khlong. Les données historiques du bassin de la rivière Mae Khlong de 1993 à 2017 ont été utilisées pour l'étalonnage, suivies de la validation à l'aide des données de 2018 à 2022.• Les résultats d'étalonnage ont montré la précision raisonnable du modèle SWAT, avec R² = 0,85, et la validation avec R² de 0,64, indiquant une correspondance satisfaisante entre le ruissellement observé et simulé.•L'utilisation de techniques d'apprentissage automatique (ML) pour la régionalisation des paramètres a révélé des différences nuancées dans les performances du modèle. Le modèle Random Forest (RF) présentait un R² de 0,60 et le modèle Artificial Neural Networks (ANN) légèrement amélioré par rapport à RF, montrant un R² de 0,61 tandis que le modèle Support Vector Machine (SVM) présentait la plus haute performance globale, avec un R² de 0,63.•Cette étude met en évidence l'efficacité des techniques SWAT et ML pour prédire le ruissellement des bassins versants non jaugés, en soulignant leur potentiel pour améliorer la précision de la modélisation hydrologique. Les recherches futures devraient se concentrer sur l'intégration de ces méthodologies dans divers bassins et l'amélioration de la collecte de données pour une meilleure performance du modèle.

La comprensión de los procesos hidrológicos requiere el uso de técnicas de modelado debido a las intrincadas interacciones entre los factores ambientales. La estimación de los parámetros del modelo sigue siendo un desafío importante en el modelado de escorrentía para cuencas no calibradas. Esta investigación evalúa la capacidad de la Herramienta de Evaluación de Suelos y Aguas para simular comportamientos hidrológicos en la Cuenca del Río Tha Chin con énfasis en las predicciones de escorrentía a partir de la regionalización de parámetros hidrológicos de la cuenca calibrada, Cuenca del Río Mae Khlong. Los datos históricos de la cuenca del río Mae Khlong de 1993 a 2017 se utilizaron para la calibración, seguida de la validación utilizando datos de 2018 a 2022.• Los resultados de la calibración mostraron la precisión razonable del modelo SWAT, con R² = 0.85, y la validación con R² de 0.64, lo que indica una coincidencia satisfactoria entre la escorrentía observada y la simulada.•El uso de técnicas de aprendizaje automático (ML) para la regionalización de parámetros reveló diferencias matizadas en el rendimiento del modelo. El modelo de Bosque Aleatorio (RF) exhibió un R² de 0.60 y el modelo de Redes Neuronales Artificiales (ANN) mejoró ligeramente con respecto a la RF, mostrando un R² de 0.61, mientras que el modelo de Máquina de Vectores de Soporte (SVM) demostró el mayor rendimiento general, con un R² de 0.63.•Este estudio destaca la efectividad de las técnicas SWAT y ML para predecir la escorrentía de las cuencas no calibradas, enfatizando su potencial para mejorar la precisión del modelado hidrológico. La investigación futura debería centrarse en integrar estas metodologías en varias cuencas y mejorar la recopilación de datos para un mejor rendimiento del modelo.

Understanding hydrological processes necessitates the use of modeling techniques due to the intricate interactions among environmental factors. Estimating model parameters remains a significant challenge in runoff modeling for ungauged catchments. This research evaluates the Soil and Water Assessment Tool's capacity to simulate hydrological behaviors in the Tha Chin River Basin with an emphasis on runoff predictions from the regionalization of hydrological parameters of the gauged basin, Mae Khlong River Basin. Historical data of Mae Khlong River Basin from 1993 to 2017 were utilized for calibration, followed by validation using data from 2018 to 2022.•Calibration results showed the SWAT model's reasonable accuracy, with R² = 0.85, and the validation with R² of 0.64, indicating a satisfactory match between observed and simulated runoff.•Utilizing Machine Learning (ML) techniques for parameter regionalization revealed nuanced differences in model performance. The Random Forest (RF) model exhibited an R² of 0.60 and the Artificial Neural Networks (ANN) model slightly improved upon RF, showing an R² of 0.61 while the Support Vector Machine (SVM) model demonstrated the highest overall performance, with an R² of 0.63.•This study highlights the effectiveness of the SWAT and ML techniques in predicting runoff for ungauged catchments, emphasizing their potential to enhance hydrological modeling accuracy. Future research should focus on integrating these methodologies in various basins and improving data collection for better model performance.

يتطلب فهم العمليات الهيدرولوجية استخدام تقنيات النمذجة بسبب التفاعلات المعقدة بين العوامل البيئية. لا يزال تقدير معايير النموذج يمثل تحديًا كبيرًا في نمذجة الجريان السطحي لمستجمعات المياه غير المقاسة. يقيم هذا البحث قدرة أداة تقييم التربة والمياه على محاكاة السلوكيات الهيدرولوجية في حوض نهر ثا تشين مع التركيز على تنبؤات الجريان السطحي من إضفاء الطابع الإقليمي على المعلمات الهيدرولوجية للحوض المقاس، حوض نهر ماي خلونغ. تم استخدام البيانات التاريخية لحوض نهر ماي كلونغ من عام 1993 إلى عام 2017 للمعايرة، تليها عملية التحقق باستخدام البيانات من عام 2018 إلى عام 2022.• أظهرت نتائج المعايرة الدقة المعقولة لنموذج SWAT، مع R² = 0.85، والتحقق مع R² من 0.64، مما يشير إلى تطابق مرضٍ بين الجريان السطحي الملحوظ والمحاكاة.• كشف استخدام تقنيات التعلم الآلي (ML) لإضفاء الطابع الإقليمي على المعلمات عن اختلافات دقيقة في أداء النموذج. أظهر نموذج الغابة العشوائية (RF) قيمة R² تبلغ 0.60 ونموذج الشبكات العصبية الاصطناعية (ANN) تحسنًا طفيفًا على RF، حيث أظهر قيمة R² تبلغ 0.61 بينما أظهر نموذج آلة ناقلات الدعم (SVM) أعلى أداء عام، مع R² تبلغ 0.63.• تسلط هذه الدراسة الضوء على فعالية تقنيات SWAT و ML في التنبؤ بالجريان السطحي لمستجمعات المياه غير المقاسة، مع التأكيد على قدرتها على تعزيز دقة النمذجة الهيدرولوجية. يجب أن تركز الأبحاث المستقبلية على دمج هذه المنهجيات في الأحواض المختلفة وتحسين جمع البيانات لتحسين أداء النموذج.