بررسی کارایی روش‌های مختلف هوش مصنوعی و روش آماریدر برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد)

سال هاست که از مدل های بارشرواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می شود. اما علی رغم وجود مدل های فراوان، ظهور مرتب مدل های جدید نشان دهنده آن است که هنوز مدلی که بتواند بدون هیچ گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل ها، پس از انجام مدل سازی ها، ضرورت می یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل سازی و برآورد میزان رواناب با استفاده از روش های مختلف هوش مصنوعی و نیز روش های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش های اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (r)، ضریب نشساتکلیف(nse) ، ریشه میانگین مربعات خطا (rmse)و میانگین قدر مطلق خطا (mae) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از داده های 9 واقعه بارندگی در بازه زمانی 2015-2011 حوزه کاخک گناباد تهیه شد. مدل های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش خور نرمال، پیش خور cascade، پس خور خودبازگشتی elman، شبکه فازیعصبی (anfis) و مدل درخت تصمیم رگرسیونی (regression tree) که در محیط نرم افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام به گام به عنوان روش آماری، در محیط نرم افزار مینی تب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش های آماری و هوش مصنوعی در نظر گرفته شده به طور نسبتاً مشابهی دارای کارایی قابل قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این بین، مدل های عصبی پیش خور نرمال و پیش خور cascade با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل ها نشان دادند. چنانکه معیارهای کارایی r ،nse ، rmse و mae در این مدل ها، به ترتیب مقادیر مشابه؛ 0/88، 0/76، 2 و 1/5 بدست آمد. درمجموع یافته ها حاکی از برآورد بهتر مدل های هوش مصنوعی نسبت به روش آماری رگرسیونی است.

Evaluation of the Efficiency of Different Artificial Intelligence and Statistical Methods in Estimating the Amount of Runoff (Case Study: Shahid Noori Watershed of Kakhk, Gonabad)

Rainfallrunoff models are used in the field of hydrology and runoff estimation for many years, but despite existing numerous models, the regular release of new models shows that there is still not a model that can provide sophisticated estimations with high accuracy and performance. In order to achieve the best results, modeling and identification of factors affecting the output of the model is necessary. In this regard, in present study, it has been tried to identify the factors and estimating the amount of runoff using a variety of methods of artificial intelligence and multiple regression. Then, to evaluate the efficiency of the implemented models and choose the best model, some performance criteria including the correlation coefficient (R), NashSutcliffe coefficient (NSE), the root mean square error (RMSE) and the mean absolute error (MAE) were used . The data used in this study were 9 rainfall events data measured in time period of 2011 2015 taken from the Khakh watershed of Gonabad. Artificial intelligence models used in this study were: normal feedforward neural networks, feedforward Cascade neural networks, feedbackward Elman neural networks, Adaptive Neuro Fuzzy Inference System (ANFIS) and regression decision tree model (Regerssion Tree) that were implemented in MATLAB software environment and also step multiple regression as statistical methods which was implemented in Minitab software. The results of this study showed that the used statistical and artificial intelligence methods are considered acceptable with almost similar performance and with relatively appropriate accuracy and low error they are able to estimate the amount of runoff. In the meantime, Cascade and normal feedforward neural models with 5 input parameters, presented better performance comparing to the other models, as the performance criteria of R, RMSE, NSE and MAE in these models were the similar values of 0.88 , 0.76, 2 and 1.5, respectively. Overall, the findings indicate better estimations of the artificial intelligence models comparing to the regression model.