ارزیابی عملکرد تئوری ادغام مدل های شبکه عصبی در تخمین مقادیر بارش-رواناب حوضه سروستان فارس با استفاده از الگوریتم بارشPERSIANN

در سالیان اخیر و با معرفی مدلهای مبتنی بر داده و هوش مصنوعی ، مدلسازی فرآیند بارش-رواناب با دقت مطلوب و در وسعت قابل توجهی مورد بررسی پژوهشگران قرارگرفته است . با استفاده از مدل های هوش مصنوعی تخمین مقادیر دقیق دبی در دوره زمانی مشخص ، به مدیران این امکان را می دهد تا علاوه بر مدیریت سیلاب در کوتاهمدت، نسبت به طراحی سازههای کنترل سیلاب و مدیریت منابع آب نیز اقدامات لازم را انجام دهند. در این پژوهش ، استفاده از مدلهای شبکه عصبی در تخمین مقادیر بارش-رواناب بر مبنای اطلاعات ماهواره ای الگوریتم بارش PERSIANN صورت گرفته و نتایج سریع و با دقت مطلوب حاصل گردید. جهت افزایش دقت تخمین ، تئوری ادغام مدلها توسعه یافت . به گونه ای که این فرآیند توسط مدل های شبکه عصبی پرسپترون چند لایه (MLP)، تابع پایه شعاعی (RBF )، سیستم فازی-عصبی تطبیقی (ANFIS) و بردار پشتیبان رگرسیونی (SVR) در محیط نرم افزار متلب مدلسازی شد. در این مرحله الگوریتم ژنتیک نیز توسعه و جهت تعیین معماری بهینه شبکه عصبی RBF مورد استفاده قرارگرفت . سپس ، خروجی مدلهای نام برده به عنوان ورودی مدلهای الگوریتم ژنتیک و میانگین گیری وزندار ترتیبی (OWA) معرفی شدند. در نهایت مدل ORNESS با کمترین میزان خطا، نشان دهندهی عملکرد مناسب تئوری ادغام مدلها در تخمین مقادیر بارش-رواناب شد.

کلیدواژه ها:

شبیه سازی فرآیند بارش-رواناب ، شبکه عصبی مصنوعی ، تئوری ادغام مدلها ، الگوریتم PERSIANN