محبوبه معتمدنیا؛ احمد نوحه گر؛ آرش ملکیان؛ مریم صابری اناری
چکیده
یکی از مهمترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای بهوقوع پیوسته در آن و برآورد خروجیهای مهّم حوزه از قبیل سیلاب و رسوب از مهّمترین هدفهای یک پروژۀ آبخیزداری تلقی میشود. به دلیل ویژگیهای متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، ...
بیشتر
یکی از مهمترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای بهوقوع پیوسته در آن و برآورد خروجیهای مهّم حوزه از قبیل سیلاب و رسوب از مهّمترین هدفهای یک پروژۀ آبخیزداری تلقی میشود. به دلیل ویژگیهای متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، هیچ کدام یک از مدلهای آماری و مفهومی نتوانسته بهعنوان یک مدل برتر و توانا کارگشا باشد. اما امروزه استفاده از شبکههای غیرخطی بهعنوان سامانههای هوشمند در پیشبینی چنین پدیدههای پیچیده و حل بسیاری از مشکلات اکوهیدرولوژی میتواند مفید و مؤثر باشد. به این منظور از دادههای روزانۀ بارندگی، دما، تبخیر و تعرق، رطوبت نسبی و همچنین دبی در مقیاس روزانه و در دورۀ زمانی مشترک 42 ساله و بررسی 62 ساختار پیشنهادی مختلف در حوزۀ آبخیز معرّف امامه استفاده شد. در این راستا و به منظور مقایسه از شبکههای عصبی پرسپترون چندلایه و تابع پایۀ شعاعی استفاده گردید. نتایج نشان داد که از بین بیش از 6000 مدل موجود در تخمین دبی رودخانه، مدل 54 با ساختار 1-8-9-8 و ورودیهای دما، رطوبت نسبی، بارندگی و تأخیر بارندگی و دبی تا دو روز بوده و با روش پرسپترون چندلایه دارای بهترین عملکرد بوده است. میزان خطای مدل مذکور برابر با 03/0، 18/0 و 04/0 در مرحلۀ مدلسازی و آموزش و 02/0، 14/0 و 02/0 در مرحلۀ آزمایش برای معیارهای ارزیابی به ترتیب شامل میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) بوده است.
