کاربرد مدل های شبکه عصبی مصنوعی و مدل m5 در شبیه سازی جریان ماهانه(مطالعه موردی: رودخانه استور)

مدیریت موثر منابع آبی در یک رودخانه نیازمند شناخت صحیح و کامل از فرآیندهایی است که در آن رخ می‌دهد. روش های هوش مصنوعی می توانند کارایی بالایی جهت شبیه سازی جریان رودخانه در مقیاس های مختلف زمانی و مکانی داشته باشند. در این مطالعه از روش شبکه عصبی مصنوعی و مدل نمودار درختی m5 جهت شبیه‌سازی ماهانه جریان رودخانه در ایستگاه استور استفاده گردید. جهت شبیه‌سازی داده های دبی جریان ماهانه در این ایستگاه, از داده های دبی ثبت شده در چهار ایستگاه هیدرومتری بالادست و یک ایستگاه اقلیمی استفاده گردید. جهت مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل m5، از دو معیار مجذور میانگین مربعات خطا و ضریب تبیین استفاده گردید. نتایج نشان داد شبکه عصبی مصنوعی با ساختار یک لایه مخفی با چهار نرون کارایی بیشتری نسبت به مدل m5 دارد. خطای مدل شبکه عصبی مصنوعی 25/40 با ضریب همبستگی 0/93 و خطای مدل m5 28/18 با ضریب همبستگی 0/92 به دست آمد. با افزایش نرون‌های محاسباتی در لایه مخفی کارایی شبکه عصبی مصنوعی کاهش یافت.

Application of artificial neural networks (ANNs) and M5 tree model for river flow simulation (Case study: Stoor river)

Abstract     Effective management of water resources in a river requires accurate and complete understanding of the processes that happens. Artificial intelligent techniques can be effectively used to model river flows in varous temporal and spatial scales. In this study we used artificial neural networks and M5 tree model to investigate monthly river flows in Ostoor hydrological station. To simulate the river flow in this station, the data of 4 upstream hydrological and one climatological stations were employed. The comparison between the ANNs and M5 tree model was conducted based on the root mean square error (RMSE) and coefficient of determination (R2). Results showed that ANNs, with hidden layer and 4 computational neurons is preferred to the M5 tree model. Prediction error (RMSE) of the ANNS was 25.40 with coefficient of determination (R2=0.93) and prediction error of the M5 tree model was 28.18 with coefficient of determination (R2=0.92). Increasing the neurons in the hidden layer, the accuracy of the model decreased.