مقایسه شبکه عصبی مصنوعی و مدل HEC – HMS در برآورد بارش – رواناب در حوضه آبریز رودخانه اعظم هرات

چکیده یکی از روشهایی که در زمینه های مختلف علمی استفاده شده و می‌تواند فرایند پیچیده بارش – رواناب را شبیه‌سازی کند، استفاده از مدلهای شبکه عصبی مصنوعی است. هدف این تحقیق بررسی کارآمدی شبکه‌های عصبی مصنوعی در شبیه‌سازی فرایند بارش- رواناب و مقایسه نتایج آنها با مدل hec – hms در حوضه آبریز رودخانه اعظم هرات در استان یزد است. داده‌های مورد استفاده در این تحقیق شامل بارندگی روزانه به همراه دبی روزانه و لحظه‌ای رودخانه مزبور طی یک دوره آماری 24 ساله (1361-1385) است. ابتدا بارش نگارهای چندین پیشامد بارندگی و آبنمودهای رواناب آنها مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس‌انتشار خطا و استفاده از تابع تبدیل سیگموئید آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار (rmse) در خروجی‌های آن بود. مدل hms به روش پیشنهادی scs و شماره منحنی (cn) اجرا شد. برای ارزیابی کارایی شبکه عصبی مصنوعی، داده های شبیه‌سازی شده و مشاهده‌ای مربوط به کل دبی و حجم رواناب، دبیها و زمانهای اوج مقایسه شدند. یافته های تحقیق نشان می‌دهد که ضرایب همبستگی کل دبیهای مشاهده‌ای و برآورد شده شبکه عصبی 978/0 و مدل hms 823/0 است و خروجی شبکه نسبت به خروجی مدل از دقت بیشتری برخوردار است. ضرایب همبستگی مربوط به حجم رواناب برآورد شده و دبی اوج به ترتیب برای شبکه 986/0 و 981/0 و برای مدل 979/0 و 972/0 به دست می‌آید. مقایسه زمان اوج آبنمودهای واقعی با موارد پیش‌بینی شده ann و hms نشان می‌دهد که دقت شبکه در این مورد نیز به مراتب از دقت مدل استفاده شده بیشتر است و ضرایب همبستگی شبکه 833/0 و مدل 491/0 برآورد می‌شود. مقایسه عملکرد شبکه و مدل به کار رفته نشان می‌دهد که در تمام پارامترهای مورد نظر دقت شبکه بیشتر از مدل hms است. با انجام آزمون t با سطوح احتمال 95 و 99 درصد، اختلاف معنی‌داری میان اندازه‌های مشاهده‌ای و شبیه‌سازی شده مربوط به همه پارامترهای مورد بررسی مشاهده نشد.