بررسی مقایسه‌ای شبکه عصبی، مدل ihacres و رگرسیون خطی در شبیه‌سازی رواناب درحوضه آبریز طشک-بختگان

شبیه‌سازی میزان رواناب از مهمترین موضوعات در زمینه هیدرولوژی و منابع آب می‌باشد با پیش‌بینی میزان رواناب در دوره‌های آینده می‌توان میزان سیلاب و همچنین روند افزایشی و کاهشی میزان دبی رودخانه را تعیین کرد. روش‌های مختلفی به منظور شبیه‌سازی و یا پیش‌بینی میزان رواناب وجود داشته که از این بین می‌توان به روش‌های آماری، مدل‌های بارش- رواناب و هوش مصنوعی اشاره کرد. در این پژوهش با استفاده از سه مدل متشکل از شبکه عصبی، ihacres و رگرسیون خطی میزان رواناب درحوضه طشک- بختگان برآورد شده و با استفاده از آماره‌هایی همچون ضریب همبستگی، ضریب تبیین و دیگر شاخص‌های خطا این مدل‌ها مورد ارزیابی قرار گرفتند. نتایج حاکی از این بود که میزان رواناب و بارش دارای رابطه غیر خطی بوده و به همین جهت نمی‌توان جهت برآورد میزان رواناب به مدل رگرسیون خطی اعتماد کرد. از دیگر نتایج این پژوهش می‌توان به این مورد اشاره کرد که در حالت کلی مدل شبکه عصبی به دلیل برقراری رابطه غیر خطی بین میزان بارش و رواناب نسبت به دو مدل دیگر از دقت مناسبی در برآورد میزان رواناب ماهانه در سطح حوضه طشک- بختگان برخوردار می‌باشد.

comparative evaluation of ihacres, ann and linear regression to simulate runoff in tashk- bakhtegan basin

streamflow simulation is one of the most important issues in the field of hydrology and water resources. forecasting of runoff in future periods can determine the rate of flooding and also the increasing and decreasing trend of river discharge. there are various methods to simulate or predict runoff rates, including statistical methods, rainfall-runoff models and artificial intelligence. in this study, three models consisting of neural network, ihacres and linear regression were used to estimate runoff in tashk-bakhtegan basin and evaluated using statistics such as correlation coefficient, coefficient of determination and other error indices. the results showed that runoff and precipitation have a non-linear relationship and therefore, the linear regression model cannot be trusted to estimate runoff. the results also showed that, in general the neural network model due to the nonlinear relationship between precipitation and runoff compared to the other two models have good performance in estimating monthly runoff in tashk-bakhtegan basin.