تخمین میزان رواناب حوضه کن با استفاده از شبکه عصبی مصنوعی

رواناب یکی از اجزای ضروری محاسبه فرایندهای منابع آب و مسیله‌ای اصلی در هیدرولوژی است. مدل‌های مفهومی زیادی برای پیش‌بینی میزان رواناب مطرح شده‌‌اند که عمدتاً نیازمند داده‌های توپوگرافی و هیدرولوژیکی هستند. روش‌های مرسوم گذشته برای نواحی‌ای که داده‌های هیدرولوژیکی کافی ندارند، نامناسب‌اند. تخمین رواناب، فرایندی غیرخطی و از نظر ز‌مانی و مکانی به‌طور کامل تصادفی است و شبیه‌سازی آن با مدل ساده به‌راحتی امکان‌پذیر نیست. امروزه استفاده از شبکه‌های عصبی مصنوعی در مواردی که کمبود داده‌ها محسوس است، روش مناسبی به‌شمار می‌آید. در پژوهش حاضر از داده‌های بارش، دما و دبی ایستگاه‌های حوضه کن در بازه زمانی 1375 تا 1385 و همچنین خصوصیات فیزیوگرافی حوضه مورد مطالعه به‌عنوان ورودی شبکه عصبی برای پیش‌بینی رواناب استفاده شد. بدین منظور به‌صورت تصادفی 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای تست و اعتبارسنجی شبکه اختصاص داده شدند. به‌منظور انتخاب شبکه بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی، و تعدادی نرون مخفی مختلف بین 1 تا 9 نرون استفاده شد. نتایج پژوهش پس از آزمون شبکه با لایه‌های پنهان و با توابع یادگیری مختلف آشکار ساختند که استفاده از داده‌های بارش، دما و دبی، و تابع آموزشی lm و تابع انتقال tansig و چهار نرون مخفی، بهترین ساختار را برای تخمین رواناب به‌دست می‌دهد. شبکه عصبی با این ساختار می‌تواند رواناب را با دقت (0.68?r2?0.78 و 0.53?rmse 0.03?) برآورد ‌کند