مدل سازی جریان روزانه رودخانه با استفاده از برنامه ریزی ژنتیک و شبکه عصبی (مطالعه موردی: حوضه آبخیز معرف امامه)

فرایند بارش- رواناب پیچیده و غیرخطی است و مدلسازی آن به دلیل عدم قطعیتهای زیاد یکی از مهمترین دغدغههای پژوهشگران در حیطه مسائل منابع آب به شمار می رود. از بین روشهای مورد استفاده، مدلهای هوشمند در پیشبینی چنین فرایندهایی مفید و موثرند. بنابراین، به منظور مدلسازی جریان رودخانه از روشهای شبکه عصبی مصنوعی و همچنین برنامهریزی ژنتیک به منزله روشی صریح که جزو الگوریتمهای تکاملی به شمار می رود در حوضه آبخیز معرف امامه و در دوره آماری ۱۳۴۹ - ۱۳۵۰ تا ۱۳۹۰ - ۱۳۹۱ (۴۲ ساله) استفاده شد. بدین منظور، از دادههای هواشناسی و آبسنجی در مقیاس روزانه و در قالب ۶۲ مدل پیشنهادی استفاده شد. نتایج نشان داد برنامهریزی ژنتیکی، از میان مدلهای فراوان، خطای کمتری داشت. خطای مدلها نیز وقتی که فقط از عملگرهای اصلی ریاضی و توان استفاده شد به مراتب کمتر بود. سرانجام، با توجه به معیارهای ارزیابی مورد استفاده در این تحقیق، ساختار پیشنهادی با ورودیهای (مدل ۵۴) دما، باران، و تاخیرهای باران تا دو روز، رطوبت نسبی و تبخیر و تعرق و تاخیر جریان تا دو روز به عنوان بهترین مدل با خطای ۰۰۱/۰، ۰۳۱/۰، و ۰۰۹/۰ در مرحله آموزش و ۰۰۱/۰، ۰۳۲/۰، و ۰۰۹/۰ در مرحله آزمایش به دست آمد.

کلیدواژه ها:

بارش- رواناب ، برنامهریزی ژنتیک ، شبکه عصبی پرسپترون چندلایه ، حوضه آبخیز معرف امامه