برآورد جریان رودخانه توسط مدل سازی هوشمند بارش رواناب با رویکرد تاثیر فاکتور بارش پیشین

برنامه ریزی مدیریت و بهره برداری بهینه از سامانه های منابع آب نیازمند دسترسی به آمار و اطلاعات مختلفی هم چون اطلاعات هواشناسی و هیدرولوژیکی است روش های مختلفی برای پیش بینی آب دهی رودخانه ها در مدیریت منابع آب به کار برده شود تا بتوان با به کارگیری آن ها در مدیریت سیلاب و خشکسالی خشارات ناشی از این دو پدیده را کمینه کرد در دهه گذشته استفاده از شبکه عصبی در شبیه سازی فرآیندهای هیدرولوژیکی افزایش چشم گیری داشته است نظر به این که بیش تر تحقیق ها در این زمینه معطوف به رابطه بین این شبکه ها و سایر مدل های بارش رواناب است پژوهش جهت بررسی ورودی های اساسی جهت پیش بینی جریان ضروری به نظر می رسد در پژوهش حاضر به بررسی نقش بارش پیشین در فرایند بارش رواناب به منظور برآورد جریان روزانه رودخاه قره سو در استان اردبیل با استفاده از شبکه پرسپترون چند لایه پرداخته شد و این پارامتر به ورودی مدل افزوده و بهبود قابل توجهی در نتایج ایجاد شد با مشاهده خروجی های به دست آمده از این تحقیق می توان دریافت که با افزایش پارامترها در هر دو مرحله آزمایش و آزمون بهبود چندانی در تعیین الگوی بهینه حاصل نشد که این امر می تواند بیان گر این موضوع باشد که لزوما با افزایش ورودی در شبکه عصبی نمی توان انتظار داشت که مدل جواب مناسب تری را به ما بدهد هم چنین مشاهده گردید که در پیش بینی جریان رودخانه آبدهی روز گذشته نقش کلیدی را در مدل ایفا می کند در نهایت نیز الگویی با معماری شبکه 1-4-6 با 6 ورودی 4لایه پنهان و یک خروجی با ضریب همبستگی 0/963 میانگین مربع ریشه های خطا 0/841 و ضریب باقی مانده 0/24 به عنوان بهترین و بهینه ترین الگو شناخته شد

کلیدواژه ها:

مدل سازی هوشمند بارش-رواناب ، شاخص بارش پیشین ، رودخانه قره سو ، شبکه عصبی مصنوعی