علیرضا شریفی - دانشجوی سابق کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
یعقوب دین پژوه - دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
احمد فاخری فرد - استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
علیرضا مقدم نیا - دانشیار، گروهاحیایمناطقخشکوکوهستانی،دانشکدهمنابعطبیعی،دانشگاهتهران

رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدل­سازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل­سازی رواناب رودخانه حوزه آبخیز امامه می­باشد. برای تعیین بهینه تعداد داده­های مورد نیاز برای مدل­سازی از آزمون M استفاده شد. داده­های بارندگی P(t) و روانابR(t)  در مقیاس روزانه و در طول دوره آماری ۱۳۸۸- ۱۳۷۹ استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تاخیر یک روزه (R(t-۱))، دو روزه (R(t-۲))، سه روزه (R(t-۳)) و چهار روزه (R(t-۴))، سری بارندگی روزانه بدون تاخیر زمانی (P(t)) و با تاخیرهای یک روزه (P(t-۱))، دو روزه (P(t-۲)) و سه روزه (P(t-۳)) استفاده شد. مدل­سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش­های شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل P(t)، P(t-۱)، P(t-۲)، P(t-۳)، R(t-۱) و R(t-۲) بهینه ترکیب متغیرها در مدل­سازی جریان رودخانه حوزه مذکور می­باشند. همچنین با استفاده از خروجی آزمون M تعداد ۱۴۰۵ داده برای بخش آموزش مدل­سازی 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 شبکه­های عصبی مصنوعی برخوردار است، در حالیکه در مرحله  تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار R۲ و RMSE روش LLR در بخش آموزش بترتیب معادل ۹۶/۰ و ۷/۱ بدست آمد.

آزمون گاما, حوزه آبخیز امامه, رگرسیون خطی محلی, شبکه عصبی مصنوعی