مقایسه عملکرد دو تابع سیگموئید و تانژانت هیپربولیک شبکه عصبی مصنوعی در تحلیل منطقه ای منحنی تداوم جریان در حوزه آبخیز دریاچه نمک

هدف این پژوهش ارزیابی شبکه عصبی مصنوعی در تحلیل منطقه­ا­ی منحنی تداوم جریان با استفاده از دو تابع انتقال سیگموئید و تانژانت هیپربولیک در لایه مخفی و تابع انتقال خطی در لایه خروجی است. برای این منظور ۳۳ حوزه آبخیز در محدوده دریاچه نمک قم با توجه به داشتن طول دوره آماری طولانی ­مدت۲۵ ساله و حداقل فعالیت­های انسانی انتخاب گردیدند، دبی­های تداوم جریان بین ۲ تا ۹۲ درصد به­عنوان متغیرهای وابسته و متغیرهای فیزیوگرافی، هواشناسی و زمین­شناسی به­عنوان متغیرهای مستقل در نظر گرفته شدند. با استفاده از تحلیل عاملی شش عامل مساحت، ارتفاع متوسط، طول آبراهه اصلی، تراکم زهکشی، درصد سازندهای نفوذپذیر و درصد اراضی مرتعی انتخاب شد. نتایج نشان داد در دبی­های ۲، ۱۰، ۲۰، ۲۵، ۳/۳۳، ۵۰، ۷۵، ۹۰ و ۹۲ درصد تابع سیگموئید در لایه پنهان به­ترتیب با ضریب تبیین ۸۸/۰، ۵۵/۰، ۷۸/۰، ۶۰/۰، ۸۰/۰، ۶۳/۰، ۵۸/۰، ۴۷/۰ و ۴۱/۰؛ ریشه میانگین مربعات خطا ۰۱/۰، ۹۲/۱، ۶۸/۱، ۱۱/۱، ۷۸/۱، ۹۸/۰، ۱۷/۰، ۲۱/۰ و ۲۱/۰ مترمکعب بر ثانیه و ضریب کارایی ناش-ساتکلیف  ۸۹/۰، ۴۰/۰، ۹۷/۰، ۴۷/۰، ۸۴/۰، ۷۸/۰، ۷۰/۰، ۹۳/۰ و ۴۱/۰ و در دبی­های ۱۵ و ۳۰ درصد تابع تانژانت هیپربولیک در لایه پنهان به­ترتیب با ضریب تبیین۹۴/۰ و ۸۰/۰، ریشه میانگین مربعات خطا ۴۰/۰ و ۱۶/۱ مترمکعب درثانیه و ضریب کارآیی۷۰/۰ و ۸۶/۰ از دقت بالاتری برخوردار می­باشند. به­طور کلی شبکه عصبی مصنوعی کارآیی بالایی در تخمین منحنی تداوم جریان دارد. نتیجه کلی نشان می­دهد که شبکه عصبی مصنوعی از دقت بالایی در تحلیل منطقه­ای سیلاب دارد. متغیرهای به دست آمده از تجزیه و تحلیل عاملی برای شبکه با تابع انتقال سیگموئید به­خوبی پاسخ داد ولی این متغیرها برای شبکه با تابع انتقال تانژانت هیپربولیک به­دلیل عملکرد متفاوت این تابع نسبت به تابع سیگموئید به پاسخ مناسبی منجر نشد.

کلیدواژه ها:

منحنی دبی کلاسه ، تحلیل عاملی ، الگوریتم یادگیری لونبرگ مارکوت ، پرسپترون چندلایه ، حوزه آبخیز دریاچه نمک