ویژگی سری های زمانی و پیشبینی جریان ماهانه رودخانه ها با شبکه های عصبی MLP (مطالعه موردی: رودخانه باراندوزچای)

رشد روزافزون جمعیت و محدودیت منابع آب سطحی در کشور، لزوم پیش بینی دقیق تر مقدار آورد رودخانه را به دلیل اهمیت در برنامه ریزی و مدیریت منابع آب از جمله بهرهبرداری از مخازن و طراحی سازه های کنترل سیلاب با استفاده از ابزارها و روشهای نوین مدلسازی می طلبد. در این راستا، مدلهای استوکاستیک و هوشمند همواره مورد توجه هیدرولوژیستها بودهاند. در این پژوهش، ارزیابی مدلهای استوکاستیک خانواده ARMA، شبکه عصبی مصنوعی MLP در پیشبینی جریان ماهانه رودخانه باراندوزچای ارومیه انجام شد. شرط اساسی در کاربر مدلهای استوکاستیک نرمال بوده و ایستایی داده هاست. برای بررسی نرمال بودن داده ها از آزمون چولگی و جهت بررسی ایستایی داده ها از آزمون ADF استفاده گردید. نتایج نشان داد که سری ماهانه پس از نرمال و استاندارد شدن ایستا میباشد. برای سری ماهانه مدل 2)،ARMA(1 با داشتن کمترین مقدار معیار آکایکه اصلاح شده و با توجه به آزمون پورت مانتئو به عنوان مدل مناسب انتخاب شد. عملکرد مدل مذکور براساس آماره های NS=0.83، R=0.902 و(RMSE=2.81 (m3/sمناسب ارزیابی شد. در مجموع 10 الگوی مختلف برای پیشبینی جریان ماهانه انتخاب و به مدلها معرفی گردید. برای پیش بینی سری زمانی جریان ماهانه رودخانه باراندوزچای با استفاده از مدلهای MLP، الگوهای ورودی در دو حالت ( الف) بدون در نظر گرفتن بارش و (ب) با در نظر گرفتن بارش مورد بررسی قرار گرفت. نتایج نشان داد که در حالت اول (بدون در نظر گرفتن اثر بارش در پیشبینی جریان) رفته رفته دقت در مدلسازی افزایش یافته اما از تاخیر چهارم به بعد عملکرد مدل کاهش می یابد. با در نظر گرفتن اثر بارش نیز بهترین عملکرد مدل مربوط به الگوی B8 بود.

کلیدواژه ها:

سری زمانی ، آزمون چولگی ، آزمون ADF ، شبکه عصبی MLP ، باراندوزچای.