مدلسازی بارش- رواناب در حوزه آبخیز زهره

در این تحقیق از مدل های شبکه های عصبی مصنوعی MLP و RBF برای مدل سازی رواناب در مقیاس های زمانی مختلف استفاده گردید. در کدام از مدل ها با فراخور نیاز در ابتدا به آماده سازی و استانداردسازی داده ها گردید. سپس بسته به نوع شبکه مورد استفاده اقدام به تعیین معماری شبکه گردید. در مرحله بعد اقدام به تعیین پارامترهای شبکه مورد استفاده گردید. مهمترین پارامترهای مورد استفاده در مدل MLP شامل، تعداد تکرار، تعداد نرون مخفی، تعداد لایه، خطای هدف و ضریب یادگیری بوده است. همچنین مهمترین پارامترهای مورد استفاده در مدل rbf شامل تعداد تکرار، خطای هدف و ضریب گسترش می باشد. از توابع خود همبستگی و خود همبستگی جزئی به منظور تعیین تعداد گام های قبلی بارش به عنوان رطوبت قبلی خاک استفاده شد. نتایجارزیابی عملکرد مدل MPL و RBF در حوزه آبخیز زهره در مقیاس زمانی روزانه نشان داد که مدل های روزانه با ورودی بارش و دبی با گام زمانی تا دو روز قبل بهتری عملکرد را چه از جهت دقت و چهاز جهت پایین بودن خطا ارائه کرده است. در مقیاس روزانه دقت مدل MBF در مقایسه با مدل MLP در مجموع بالاتر بوده است ولی در مقیاس ماهانه، فصلی و سالانه مدل MLP دقت قابل قبولی جهت پیش بینی دبی ارائه می دهد.

کلیدواژه ها:

شبکه عصبی مصنوعی ، رواناب ، شبیه سازی ، زهره ، مدل