شبیه سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی(مورد: حوضه آبخیز فریدن)

سیل، یکی از پدیده‌های ویرانگر طبیعی است که پیش‌بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تاثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(mlp)، قانون یادگیری پس‌انتشار خطا(bp)، الگوریتم لونبرگ- مارکوارت(lm) و معیارهای rmse و r2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبیه‌سازی بارش- رواناب، مدلی است با ساختار1-32-6 نرون در لایه‌های ورودی، پنهان و خروجی که مقادیر میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت‌سنجی و آزمون به ترتیب؛ 23/0، 19/0 و 21/0 و ضریب همبستگی در بهترین سناریو به ترتیب؛ 98%، 97% و 96% می‌باشد که حاکی از همبستگی بالا و معنی‌داری بین مقادیر مشاهداتی و مقادیر پیش‌بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدله نمودن بارش- رواناب را به هنگام استفاده از پارامترهای وئومورفولوژیکی در حوضه فریدن به خوبی نشان می‌دهد.