کاربرد شبکه عصبی مصنوعی در پیش بینی رواناب ناشی از ذوب برف (مطالعه موردی: حوزه آبخیز سد لتیان)

سیل یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است .فرآیند بارش رواناب و ایجاد سیلاب پدیده های فیزیکی هستند که بررسی آنها به سبب تاثیرپذیری از پارامترهای مختلف، دشوار می باشد. تاکنون روش های مختلفی برای تحلیل این پدیده ها ارایه شده است. پژوهش حاضر با هدف بررسی کارآمدی شبکه های عصبی مصنوعی در شبیه سازی فرآیند بارش رواناب با دخالت دادن ارتفاع آب معادل برف در حوزه آبخیز لتیان واقع در استان تهران صورت گرفته است. بدین منظور 92 تصویر سنجنده مودیس در طی سه سال آبی 83-1382 تا 85-1384 از سایت ناسا دریافت گردید و سطح پوشش برف در هر یک از تصاویر استخراج و میزان ارتفاع آب معادل برف در طی سال های مورد نظر محاسبه شد. همچنین داده های ارتفاع بارندگی، درجه حرارت و دبی در سال های مورد نظر در دسترس بوده که از شبکه های پرسپترون چندلایه و الگوریتم پس انتشار خطا برای یافتن ساختار شبکه استفاده شد. نتایج نشان داد شبکه عصبی با ساختار 1-10-4 با 4 نرون در لایه ورودی، 10 نرون در لایه میانی و 1 نرون در لایه خروجی با ضریب کارایی 0.85 و ضریب تبیین 0.68 و ریشه میانگین مربعات خطا 0.04 به عنوان بهترین ساختار از دقت مناسبی در برآورد رواناب برخوردار بود و دخالت دادن آب معادل برف باعث افزایش دقت مدل شد.

Application of Artificial Neural Network for Snowmelt-Runoff (Case Study: Latyan Dam Watershed)

Flood is one of the natural disaster phenomena and flood prediction is very important. The rainfallrunoff process and flood are physical phenomena that these analyses are difficult due to the influence of various parameters. There are different methods and models for these phenomena analysis. This study is carried out for rainfallrunoff process simulation using artificial neural network (ANN) involving snow water equivalent (SWE) in Latyan watershed located in Tehran province. For this reason, 92 images of MODIS were obtained during three years from 20032004 to 20062007 from the NASA site. Snow cover areas (SCAs) were extracted from each images and SWE were computed during these years. The rainfall, temperature and stream flow were available during these years. Multilayer perception networks with back propagation algorithm were used for finding the structure of the networks. Results showed that ANN with 4101 structure, 4 neurons in input layer, 10 neurons in middle layer and 1 neuron in output layer, with performance coefficient of 0.85, determination coefficient of 0.68 and root mean squared error of 0.04 as the best structure had good precision in runoff estimation and SWE was caused to increase the accuracy of the model.