تاثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه

یکی از مهم ترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای به وقوع پیوسته در آن و برآورد خروجی های مهّم حوزه از قبیل سیلاب و رسوب از مهّم ترین هدف های یک پروژۀ آبخیزداری تلقی می شود. به دلیل ویژگی های متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، هیچ کدام یک از مدل های آماری و مفهومی نتوانسته به عنوان یک مدل برتر و توانا کارگشا باشد. اما امروزه استفاده از شبکه های غیرخطی به عنوان سامانه های هوشمند در پیش بینی چنین پدیده های پیچیده و حل بسیاری از مشکلات اکوهیدرولوژی می تواند مفید و موثر باشد. به این منظور از داده های روزانۀ بارندگی، دما، تبخیر و تعرق، رطوبت نسبی و همچنین دبی در مقیاس روزانه و در دورۀ زمانی مشترک 42 ساله و بررسی 62 ساختار پیشنهادی مختلف در حوزۀ آبخیز معرّف امامه استفاده شد. در این راستا و به منظور مقایسه از شبکه های عصبی پرسپترون چند لایه و تابع پایۀ شعاعی استفاده گردید. نتایج نشان داد که از بین بیش از 6000 مدل موجود در تخمین دبی رودخانه، مدل 54 با ساختار 1898 و ورودی های دما، رطوبت نسبی، بارندگی و تاخیر بارندگی و دبی تا دو روز بوده و با روش پرسپترون چند لایه دارای بهترین عملکرد بوده است. میزان خطای مدل مذکور برابر با 0.03، 0.18 و 0.04 در مرحلۀ مدلسازی و آموزش و 0.02، 0.14 و 0.02 در مرحلۀ آزمایش برای معیارهای ارزیابی به ترتیب شامل میانگین مربعات خطا (mse)، مجذور میانگین مربعات خطا (rmse)، میانگین مطلق خطا (mae) بوده است.

effect of various structures and input on the estimation of daily discharge of amameh watershed

one of the most important of hydrological computing in ecosystem is estimation of the relationship between rainfall and runoff. so that investigation occurred processes in it and the estimate of important outputs such as flood and sediment is considered one the most important mission of a watershed project. because of variable spatial and temporal characteristics of incident in the water cycle and the nonlinear relationship and uncertainties, none of the statistical and conceptual models are able to be a better and capable model for that. but today using nonlinear networks as intelligent system for forecasting such complicated event can be efficient and effective in many problems of ecology. for this aim it is used variables such as precipitation, temperature, evartanspiration, relative humidity and discharges in daily scale over 42 years period and assessment 62 different suggested structures for surveying river flow in amame representative watershed. for comparison it used multi layer perceptoron (mlp) and radial basis function (rbf).the results show that out of 6000 available models for estimation river flow model number 54 with 8981 network structure and 8 types of input variable such as precipitation (pt), precipitation with two lags (pt1 and pt2), temperature (tt), evartanspiration (ett), relative humidity (rht), and discharge with two lags (qt1 and qt2) with multi layer perceptoron method has the best function. the error of model was 0.03, 0.18 and 0.04 in training and 0.02, 0.14 and 0.02 for testing stage for mse, rmse and mae, respectively.