شبیه‌سازی رواناب با استفاده از شبکه عصبی موجکی (مطالعه‌ی موردی: حوضه‌‌ی آبخیز رود خِرسان3)

برآورد، پیش بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متاسفانه به دلیل پیچیدگی رابطه ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی دادند. امروزه، پیشرفت علم و توسعه ی روشهای نوین در همه ی ابعاد علمی، امیدواری خوبی را در زمینه ی شناخت و حل چنین روابطی به وجود آورده است. یکی از روشهایی که در چند دهه ی اخیر توجه محققین را به خود جلب کرده، استفاده از شبکه های عصبی است. در این پژوهش از شبیه عصبی موجکی برای براورد رواناب در حوضه ی آبخیز رود خِرسان3، استفاده شده است. سپس نتایج به دست آمده از این شبیه با نتایج شبکه ی عصبیِ انتشار برگشتی و شبکه ی عصبیِ بنیادی شعاعی به عنوان شبیه های قدیمیتر مقایسه، و تجزیه و تحلیل گردید. بررسی دقت و مقایسه نتایج محاسبات باکاربرد ضریب همبستگی و ریشه ی میانگین مربعات خطا صورت گرفت. نتایج این تحقیق نشان می دهند که دقت شبکه ی عصبی موجکی از شبکه ی عصبی انتشار برگشتی، و شبکه ی عصبی بنیادی شعاعی در وضعیت بهتری قرار دارد.

Runoff Simulation Using NeuralWavelet Network(Case Study: Catchment of Khersan3 River)

Estimates, forecasts and Runoff management have always been an interest to researchers. Therefore, using any of the methods commonly used in estimating seemingly destructive phenomenon that, unfortunately, due to the complexity of the relationship between rainfall and Runoff and nonlinearity of the relationship, the results are not good. Todays, with the advancement of science and the development of new techniques in all aspects of science, understanding and settle in for a good hope to have created such relationship. One of approaches that have attracted attention of researchers in recent decades is using of Neural Networks. In this study, the Neural Wavelet Network for Estimating Runoff in Khersan catchment area is used. The results obtained from this model with results from a Neural Network of Return Propagation and Neural Network of FundamentalRadial, as older models, compared and analyzed. Comparison of results was performed by correlation coefficient and Root Mean Square Error. The results show that the accuracy of the Neural Wavelet Network compared to Neural Network of Return Propagation and Neural Network of FundamentalRadial is better.