ارزیابی مدل های هوشمند عصبی و تجربی در تخمین رواناب سالانه

چکیده از دیرباز معادله های متنوعی برای تعیین رواناب به منظور مدیریت منابع آب توسط پژوهش گران ارایه شده که کاربرد گسترده ای در علوم هیدرولوژی دارند. در پژوهش حاضر با بهره گیری از داده های مشاهده ای، کاربرد مدل های تجربی، شبکه عصبی مصنوعی (ANN) و شبکه عصبی-فازی (CANFIS) در برآورد رواناب بررسی شد. بدین منظور با استفاده از اطلاعات فیزیوگرافی و اقلیمی سه ایستگاه آب سنجی پل زمانخان، قلعه شاهرخ و سد زاینده رود واقع در حوضه زاینده رود، مقادیر رواناب برآورد شده از مدل های تجربی و مدل های هوشمند عصبی با مقادیر رواناب سالانه مقایسه گردید. پارامترهای ورودی شامل متوسط بارش سالانه، متوسط دمای هوا، دمای حداقل و حداکثر هوا بود. نتایج نشان داد مدل های هوشمند عصبی از دقت مناسبی در برآورد رواناب برخوردار بودند. در بین روش های تجربی نیز، روش دی سوزا مناسب تشخیص داده شد. مقایسه شاخص های خطاسنجی بین روش های برگزیده تجربی با مدل های هوشمند عصبی نشان داد میانگین درصد خطای (MPE) در ANN، CANFIS و مدل تجربی دی سوزا به ترتیب ۷، ۱۲ و ۴۳ درصد بود که موید اختلاف قابل توجه بین روش ها می باشد. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در قالب مدل CANFIS کارایی لازم را در بهبود نتایج شبکه عصبی مصنوعی نداشت. همچنین نتایج این پژوهش نشان داد با کاهش متغیرهای ورودی از ۴ پارامتر به یک پارامتر بارش، خطای مدل سازی به حداکثر مقدار خود (از % ۷=MPE به % ۱۶=MPE) می رسد. در مقابل ساختار بهینه شبکه عصبی به حذف پارامتر میانگین دمای هوا، حساسیت کمتری (از % ۷=MPE به % ۱۰=MPE) نشان داد. بنابراین با توجه به محدودیت اطلاعات مورد نیاز روابط تجربی و دقت بالای مدل های هوشمند، کاربرد مدل عصبی قابل توصیه است. واژه های کلیدی: برآورد رواناب، روش تجربی، شبکه عصبی مصنوعی، عصبی-فازی، حوضه زاینده رود