بررسی دقت الگوریتم­های مختلف شبکه عصبی در برآورد جریان کم حوضه کن

شناخت نحوه تغییرات جریان کم اهمیت زیادی در برنامه ریزی منابع آب و الگوی کشت و زمان کشت محصولات زراعی می تواند داشته باشد. معمولا جریان پایه علاوه بر عوامل مروفومتریک متاثر از عوامل اقلیمی بخصوص دما و بارش دارد. در حال حاضر دما و بارش بصورت فصلی و حتی شش ماهه قابل پیش بینی با دقت مناسب براساس مدلهای جهانی گردش عمومی جو می باشد. شبکه عصبی یک ابزار قدرتمند در شبیه سازی محسوب می شود که در علوم هیدرولوژی نیز کارایی آن به اثبات رسیده است. هدف از این پژوهش ارزیابی سه الگوریتم شبکه عصبی در برآورد دبی روزانه بخصوص دبی های کم می باشد. برای این منظور ایستگاه کن انتخاب و سری زمانی روزانه دبی تهیه و بارش و دمای متناظر آن نیز تهیه شد. با سه الگوریتم مختلف شبکه عصبی اجرا شد. دقت الگوریتم lm نسبت به دو روش gdx وscg بهتر بدست آمد. دو الگوریتم- نرون lm سه نرونی و gdx یک نرونی به ترتیب با خطای 06/0 و 21/0 مترمکعب بر پانیه نسبت به بقیه اجراها از دقت بهتری برخوردار بودند.

Accuracy investigating of different neural network algorithms to estimating low flow in Kan Basin

Understanding of low flow changes is very important in planning water resources and cropping pattern and system. Usually, in addition to morphometric factors, base flow is affected by climatic factors, especially temperature and precipitation. Currently, the temperature and precipitation can be predicted seasonally and to six months with appropriate accuracy based on global circulation models. Neural network is a powerful tool in simulation that has been used in hydrologic science. The purpose of this study is to evaluate three train algorithms in neural network for estimating daily discharge, especially low flows. For this purpose, Kan station was selected and the daily time series of discharge was prepared and its corresponding rainfall and temperature were also prepared. It was carried out with three different neural network algorithms. The accuracy of LM algorithm was better than GDX and SCG methods. LM algorithm with 1 neurons and GDX algorithm with 3 neurons had been better accuracy than the other performances with an error of 0.06 and 0.21 m3/s, respectively.