کاربرد شبکه های عصبی مصنوعی در شبیه سازی بارش ماهانه ایستگاه خلخال

پیش بینی دقیق بارش ماهانه نه تنها در مدیریت منابع آب نقش بهسزایی ایفا می کند، بلکه می تواند دقت سامانه های هشدار سیل را به طور چشمگیری بهبود دهد. در دهه های اخیر ارتقاء توان پردازشگرها و توسعه مدل های هوشمند موجب گردیده تا عرصه های جدیدی در زمینه بهبود روش های شبیه سازی متغیرهای هیدرولوژیکی پیش روی پژوهشگران قرار گیرد. در تحقیق حاضر به منظور شبیه سازی بارش ماهانه ایستگاه سینوپتیک خلخال از مدل شبکه های عصبی مصنوعی (ANN) استفاده شد. در پژوهش حاضر بر اساس داده های موجود، مقادیر بارش ماهانه بهازای دوره آماری ۱۳۷۵-۱۳۹۵ مورد استفاده قرار گرفت. برای شبیه سازی کوتاه مدت بارش ماهانه (یک ماه بعد) پنج الگوی مختلف بر اساس تاخیرهای بارش تعریف شد. الزم به ذکر است که حداکثر تعداد تاخیرهای مورد استفاده در الگوها، بر اساس مقادیر توابع خود همبستگی (ACF) برابر ۱۱ ماه بود. برای ارزیابی نتایج مدل از شاخص های ضریب تعیین (R۲) و کمترین ریشه میانگین مربعات خطا RMSE استفاده شد. نتایج پژوهش حاکی از عملکرد نسبتا ضعیف مدل ANN در تمام سناریوها بود. به طوریکه مقادیر R۲ و RMSE برای بهترین سناریو در مرحله صحت سنجی به ترتیب برابر ۰.۳۴ و ۱۶.۹۹ میلیمتر به دست آمد. شایان ذکر است که بهترین عملکرد مدل مربوط به الگوی آخر (۱۱ ماه تاخیر زمانی) بود. علیرغم نتایج ضعیف به دست آمده، ارزش پژوهش حاضر در حوزه مدیریت منابع آب محفوظ بوده و برای بهبود نتایج پیشنهاد می شود از تبدیل موجک برای پیش پردازش (تجزیه) داده ها استفاده شود.

کلیدواژه ها:

تاخیرهای زمانی ، تبدیل موجک ، خود همبستگی ، مدل ANN