ترکیب بهینه متغیرها برای شبیه سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما

رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدل سازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل سازی رواناب رودخانه حوزه آبخیز امامه می باشد. برای تعیین بهینه تعداد داده های مورد نیاز برای مدل سازی از آزمون m استفاده شد. داده های بارندگی p(t) و روانابr(t) در مقیاس روزانه و در طول دوره آماری 1388- 1379 استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تاخیر یک روزه (r(t-1))، دو روزه (r(t-2))، سه روزه (r(t-3)) و چهار روزه (r(t-4))، سری بارندگی روزانه بدون تاخیر زمانی (p(t)) و با تاخیرهای یک روزه (p(t-1))، دو روزه (p(t-2)) و سه روزه (p(t-3)) استفاده شد. مدل سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش های شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل p(t)، p(t-1)، p(t-2)، p(t-3)، r(t-1) و r(t-2) بهینه ترکیب متغیرها در مدل سازی جریان رودخانه حوزه مذکور می باشند. همچنین با استفاده از خروجی آزمون m تعداد 1405 داده برای بخش آموزش مدل سازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش رگرسیون خطی محلی llr)) در قسمت آموزش از دقت بالاتری نسبت به روش شبکه های عصبی مصنوعی برخوردار است، در حالیکه در مرحله تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار r2 و rmse روش llr در بخش آموزش بترتیب معادل 96/0 و 7/1 بدست آمد.