چکیده:
یکی از روشهایی که در زمینههای مختلف علمی استفاده شده و میتواند فرایند پیچیده بارش – رواناب را شبیهسازی کند، استفاده از مدلهای شبکه عصبی مصنوعی است. هدف این تحقیق بررسی کارآمدی شبکههای عصبی مصنوعی در شبیهسازی فرایند بارش- رواناب و مقایسه نتایج آنها با مدل HEC – HMS در حوضه آبریز رودخانه اعظم هرات در استان یزد است. دادههای مورد استفاده در این تحقیق،شامل بارندگی روزانه به همراه دبی روزانه و لحظهای رودخانه مزبور طی یک دوره آماری 24 ساله (1361-1385) است. ابتدا بارش نگارهای چندین پیشامد بارندگی و آبنمودهای رواناب آنها مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پسانتشار خطا و استفاده از تابع تبدیل سیگموئید آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار (RMSE) در خروجیهای آن بود. مدل HMS به روش پیشنهادی SCS و شماره منحنی (CN) اجرا شد. برای ارزیابی کارایی شبکه عصبی مصنوعی، دادههای شبیهسازی شده و مشاهدهای مربوط به کل دبی و حجم رواناب، دبیها و زمانهای اوج مقایسه شدند. یافتههای تحقیق نشان میدهد که ضرایب همبستگی کل دبیهای مشاهدهای و برآورد شده شبکه عصبی 978/0 و مدل HMS 823/0 است و خروجی شبکه نسبت به خروجی مدل از دقت بیشتری برخوردار است. ضرایب همبستگی مربوط به حجم رواناب برآورد شده و دبی اوج به ترتیب برای شبکه 986/0 و 981/0 و برای مدل 979/0 و 972/0 به دست میآید. مقایسه زمان اوج آبنمودهای واقعی با موارد پیشبینی شده ANN و HMS نشان میدهد که دقت شبکه در این مورد نیز به مراتب از دقت مدل استفاده شده بیشتر است و ضرایب همبستگی شبکه 833/0 و مدل 491/0 برآورد میشود. مقایسه عملکرد شبکه و مدل به کار رفته نشان میدهد که در تمام پارامترهای مورد نظر دقت شبکه بیشتر از مدل HMS است. با انجام آزمون t با سطوح احتمال 95 و 99 درصد، اختلاف معنیداری میان اندازههای مشاهدهای و شبیهسازی شده مربوط به همه پارامترهای مورد بررسی مشاهده نشد.
خلاصه ماشینی:
"شکل 8- برازش زمان اوج رواناب واقعی (obs) پس از اصلاح و پیشبینی شده با شبکه (ANN) و مدل (HMS) در حوضه آبریز رودخانه اعظم جدول 4- معیارهای ارزیابی عملکرد ANN وHMS مربوط به زمان اوج رواناب در حوضه آبریز رودخانه اعظم b a R2 RMSE TE (%) MAE ME (%) زمان اوج نوع میانگین حداقل حداکثر 4 2 7 واقعی 904/1 587/0 484/0 91/0 8/6 65/0 63/15 23/4 2 6 HMS 70/1 80/0 241/0 06/2 5/22 23/1 41/172 9/4 2 11 887/0 720/0 694/0 75/0 83/5 37/0 25/31 77/3 2 7 ANN نتیجهگیری براساس بررسیهای انجام شده از مقایسه عملکرد شبکه عصبی مصنوعی و مدل هیدرولوژیکی HMS در شبیهسازی فرایند بارش – رواناب در حوضه آبریز رودخانه اعظم، نتایج زیر به دست میآید: 1- شبکه عصبی مصنوعی با تابع سیگموئید و مدل HMS براساس روش SCS، در شبیهسازی پدیده مورد نظر در حوضه مربوطه دقت خوبی دارند، اما ANN در پیشبینی تمامی پارامترهای رواناب (کل دبی، حجم، دبی و زمان اوج رواناب)، نسبت به مدل مزبور از دقت بالاتری برخوردار است.
بنابراین، استفاده از شبکههای عصبی به عنوان رویکرد نو در مطالعات هیدرولوژی و اقلیم شناسی از اهمیت زیادی برخوردار شده است و نسبت به سایر روشها،از جمله سریهای زمانی نتایج بهتری را در پیش بینی، شبیه سازی و براورد پارامترهای بارش- رواناب، دبی و زمان اوج رواناب در حوضه مورد مطالعه و سایر حوضهها دارد و از دقت و سرعت بالاتری نیز برخوردار است."