گزارش فنی مقایسه کارایی مدل Ihacres و شبکه عصبی مصنوعی برای پیش بینی جریان رودخانه سیوند

تعیین دقیق جریان رودخانه در آبخیزهای فاقد آمار از چالش های مهم در هیدرولوژی می باشد. در این راستا، با توجه به تنوع مدل های هیدرولوژیکی موجود، انتخاب مدل مناسب مستلزم ارزیابی عملکرد مدل ها در شرایط هیدرولوژیکی هر منطقه است. هدف از این پژوهش مقایسه کارایی روش شبکه عصبی مصنوعی (ann) و مدل یکپارچه ihacres برای پیش بینی جریان رودخانه سیوند در حوضه طشک بختگان واقع در استان فارس به عنوان یک منطقه گرم و خشک می باشد. از داده های سال های 1361 تا 1374 برای واسنجی و 1375 تا 1391 برای صحت سنجی مدل استفاده شد. برای ارزیابی قابلیت شبکه های عصبی مصنوعی، از جعبه ابزار مربوط به شبکه عصبی نرم افزار متلب استفاده شد. مقادیر جریان شبیه سازی شده بوسیله مدل ihacres برای دبی سیلابی در دوره واسنجی بیشتر و در دوره صحت سنجی، کمتر از مقادیر مشاهداتی بود. مقادیر ضریب تبیین در فرایند واسنجی و صحت سنجی این مدل به ترتیب 0.62 و 0.54 بود. کمترین و بیشترین مقدار ضریب تبیین شبکه عصبی دینامیک در دوره های واسنجی و صحت سنجی به ترتیب 0.88 و 0.94 بود در حالی که برای شبکه های عصبی ایستا به ترتیب 0.51 و 0.69 بود. براساس نتایج، شبکه های عصبی مصنوعی با دقت بیشتری نسبت به مدل ihacres، جریان ماهانه رودخانه سیوند را پیش بینی کردند.

Technical ReportPerformance Comparison of IHACRES Model and Artificial Neural Network to Predict the Flow of Sivand River

The accurate determination of river flow in watersheds without sufficient data is one of the major challenges in hydrology. In this regard, given the diversity of existing hydrological models, selection of an appropriate model requires evaluation of the performance of the hydrological models in each region. The objective of this study was to compare the performance of artificial neural network (ANN) and IHACRES integrated model to predict the flow of sivand river in Tashak Bakhtegan watershed located in Fars province as a warm and arid area. Calibration and validation procedures were done by using data from 19821995 and 1996 2012, respectively. Neural Network Toolbox of MATLAB software were used to evaluate the capabilities of neural networks. In both calibration and validation periods, simulated flows by the IHACRES model for flood flows, were less than the observed data. The determination coefficients of the model during calibration and validation were 0.62 and 0.54, respectively. The determination coefficients of dynamic neural networks and static neural networks during calibration and validation ranged from 0.88 0.94 and 0.51 0.69, respectively. The results demonstrated that artificial neural networks predicted monthly flow of sivand river more accurately than the IHACRES model.