چکیده:
در دهه های اخیر به دلیل اهمیت فرآیند بارش -رواناب توسعه مدل های مناسب برای تخمین رواناب از روی داده های بارش به مساله ضروری تبدیل شده است . بارش یکی از مهم ترین داد های ورودی به سیستم های هیدرولوژیکی محسوب می شود که به دو صورت بارش منطقه ای و بارش نقطه ای در نظر گرفته می شود. برای مدل سازی فرآیند بارش - رواناب از مدل های هوشمندی که با پارامترهای ورودی و خروجی عملیات نگاشت را انجام می دهند و نتایج حاصل از دقت و صحت مناسبی برخوردار است ، استفاده می شود. در این تحقیق برای تخمین رواناب خروجی حوضه بالخلوچای واقع در غرب استان اردبیل از مقادیر بارش پیشین و دبی پیشین تا سه روز قبل استفاده شده و بارش نیز در دو حالت بارش منطقه ای و بارش نقطه ای که مربوط به بارش ٦ ایستگاه باران سنجی بوده ، در نظر
گرفته شده است . به منظور برآورد بارش –رواناب در حوضه بالخلوچای از مدل های هوشمند٦ شبکه عصبی مصنوعی ٧)ANN( و برنامه ریزی ژنتیک ٨)GP( و سیستم استنتاج عصبی –فازی تطبیقی ٩)ANFIS( استفاده گردیده و نتایج توسط معیارهای ارزیابی مقایسه شده است . مقدار ضریب تعیین ١٠)R٢(، جذر میانگین مربعات خطا١١)RMSE(
و ضریب نش ساتکلیف ١٢)N-S( مربوط به دقیق ترین مدل های بارش منطقه ای برای داده های آزمون به ترتیب ٨٥٤ ٠،
٥٧٣ ٠، ٠.٩٣٥ و در دقیق ترین مدل بارش نقطه ای برای داده های آزمون به ترتیب ٨٥٢ ٠، ٥٧٨ ٠، ٠.٩٣٢ می باشد.
با توجه به نتایج حاصل از معیارهای ارزیابی یاد شده ، به دلیل بیش تر بودن ضرایب تعیین و نش ساتکلیف و هم چنین کم تر بودن مقدار جذر میانگین مربعات خطای بارش منطقه ای نسبت به بارش نقطه ای ، بارش منطقه ای دارای نتایج دقیق تری نسبت به بارش نقطه ای می باشد.
خلاصه ماشینی:
در اين تحقيق براي تخمين رواناب خروجي حوضه بالخلوچاي واقع در غرب استان اردبيل از مقادير بارش پيشين و دبي پيشين تا سه روز قبل استفاده شده و بارش نيز در دو حالت بارش منطقه اي و بارش نقطه اي که مربوط به بارش ٦ ايستگاه باران سنجي بوده ، در نظر گرفته شده است .
به منظور برآورد بارش –رواناب در حوضه بالخلوچاي از مدل هاي هوشمند٦ شبکه عصبي مصنوعي ٧)ANN( و برنامه ريزي ژنتيک ٨)GP( و سيستم استنتاج عصبي –فازي تطبيقي ٩)ANFIS( استفاده گرديده و نتايج توسط معيارهاي ارزيابي مقايسه شده است .
در گذشته از انواع الگوهاي مفهومي بارش –رواناب ، الگوهاي سري زماني و روابط تجربي استفاده مي شد که در بسياري 6- Intelligent 7- Artificial Neural Network 8- Genetic Programming 9- Adaptive Neuro Fuzzy Inference System 10- Coefficient of Determination 11- Root Mean Squared Error 12- Nash–Sutcliffe Efficiency Coefficient از موارد مقادير محاسبه شده با مقادير مشاهده شده تطابق نداشته و در مواقعي نيز تفاوت زيادي با يکديگر داشته اند، به همين دليل نياز به مدل هايي احساس م شد که با پارامترهاي ورودي و خروجي عمليات نگاشت (انتقال اطلاعات از ورودي به خروجي جهت يادگيري پارامترهاي مدل ) را انجام داده و نتايج حاصل از دقت و صحت مناسبي برخوردار باشد.
/ شکل ٧ : نمودار سري زماني دبي خروجي ايستگاه پل الماس براي داده هاي آزمون محاسباتي و مشاهداتي نتيجه گيري در اين تحقيق به منظور پيش بيني رواناب خروجي حوضه بالخلوچاي با استفاده از مقادير دبي و بارش پيشين با بهره گيري از مدل هاي شبکه عصبي مصنوعي ، برنامه ريزي ژنتيک و سيستم استنتاج عصبي -فازي تطبيقي در دو حالت کلي بارش منطقه اي و بارش نقطه اي بهره گرفته شده است .