بررسی کارایی شبکه های عصبی پرسپترون چند لایه و زمان تاخیری دربرآورد جریانهای سطحی حوزه ی آبخیز زاینده رود

رواناب نقش مهمی در مدیریت حوزه های آبخیز ایفا می کند و برنامه ریزی و ایجاد زمینه مناسب برای بهبود وضعیت حوزه های آبخیز بستگی زیادی به آن دارد. از طرفی برآورد رواناب در حوزه های آبخیز اهمیت زیادی در مطالعات منابع آب، تعیین و طراحی سازه های کنترل سیل دارد. با توجه به قابلیت شبکه های عصبی مصنوعی در برآورد رواناب، کم هزینه بودن، انعطاف پذیری و اهمیتی که حوزه ی آبخیز سد زاینده رود در تامین آب مورد نیاز شهری، کشاورزی و صنعتی ایفا می کند، کارایی شبکه-های عصبی در برآورد رواناب ماهانه زیرحوزه های بالا دست سد زاینده رود مورد بررسی قرار گرفت. در این پژوهش دو نوع مدل شبکه عصبی پرسپترون چند لایه (mlp ) و مدل شبکه عصبی زمان تاخیری(tlnn) در زیرحوزه های پلاسجان، سمندگان و زاینده رود مورد بررسی قرار گرفت. نتایج بیانگر این بود که مدل tlnn علیرغم حساسیت زیاد در مرحله آموزش، از کارایی خوبی در برآورد رواناب برخوردار بوده و نسبت به مدلmlp از خطای کمتری برخوردار است. بطوریکه این شبکه ها با استفاده از ورودیهایی شامل 3 تا 4 ایستگاه بارانسنجی و 2 تا 3 ایستگاه دماسنجی با آموزش مناسب می توانند بخوبی رواناب ماهانه را برآورد نمایند. شبکه های عصبی زمان تاخیری ضمن داشتن انعطاف پذیری بسیار بالا، بخوبی توانایی شبیه سازی عکس العمل حوزه آبخیز نسبت به ورودی ها از جمله بارش و دما را دارند.