مقایسه عملکرد شبکه های عصبی MLP و RBF در پیش بینی دبی روزانه رودخانه

از مهمترین پارامترهای مسایل در مدیریت حوضه های آبخیز، شبیه سازی فرآیندهای هیدرولوژیکی می باشد. استفاده از مدل های جدید در این زمینه می تواند به مدیریت و برنامه ریزی صحیح کمک کند. در دو دهه اخیر با ظهور روش های مبتنی بر هوش مصنوعی، پیش بینی پارامترهای مختلف در مهندسی آب به شدت توسعه یافته است. پیش بینی آبدهی رودخانه و مقدار جریان خروجی از حوضه از مهمترین موضوعات در برنامه ریزی و استفاده بهینه از منابع آب یک حوضه است. پیش بینی دقیق جریان در رودخانه ها، همواره به عنوان یکی از عوامل مهم در طراحی ایمن و اقتصادی تاسیسات و سازه های آبی وابسته به رودخانه ها مورد توجه محققین بوده است. در این پژوهش، از تکنیک شبکه عصبی پرسپترون چند لایه (MLP) و شبکه عصبی با تابع پایه شعاعی (RBF) برای پیش بینی دبی روزانه رودخانه قره سو در استان گلستان استفاده شده است. اطلاعات آماری مربوط به چهار ایستگاه باران سنجی و هیدرومتری واقع در حضوه برای 18 سال آماری از سال 1368 تا 1386 می باشد. طبق نتایج به دست آمده مدل شبکه عصبی MLP نسبت به RBF از دقت بالاتری برخوردار است؛ هرچند که این برتری محسوس و معنی دار نیست. تنها مزیت شبکه RBF زمان کمتر مورد نیاز برای آموزش آن است.

کلیدواژه ها:

مدیریت منابع آب ، پیش بینی دبی رودخانه ، شبکه عصبی MLP ، شبکه عصبی RBF