كاربرد و مدل‌سازي بارش – رواناب ‌با ‌استفاده ‌از شبكه‌ي ‌عصبي مصنوعي ‌(MLP) و مدل هيدرولوژيكي (HEC-HMS) در پيش‌بيني و شبيه‌سازي جريان در حوضه رودخانه كن

فرآيند بارش رواناب يك پديده به‌طور كامل پيچيده و غيرخطي در آب‌شناختي مي‌باشد. مدل‌هاي مفهومي به‌طور وسيعي براي مدل‌سازي بارش- رواناب به كار برده مي‌شوند. استفاده از مدل‌ها در شبيه‌سازي بارندگي- رواناب بـراي دسترسـي بـه خـصوصيات سيلاب از قبيل زمان رسيدن به دبي و زمان وقوع اوج متداول شده است. مدل‌هاي بارش- رواناب يكي از روش‌هاي تخمين رواناب و ابزاري مناسب براي مطالعه فرايندهاي هيدرولوژيكي و ارزيابي منابع آبي مي‌باشند. دو كاربرد مهم مدل‌هاي بارش- رواناب پيش‌بيني سيلاب و شبيه‌سازي فرايندهاي هيدرولوژيكي است. از مدل‌هاي كه در زمينه‌هاي مختلف علمي به كار برده شده و مي‌تواند فرايند پيچيده بارش – رواناب را شبيه‌سازي كند و كاربردهاي نسبتاً زيـادي دارند استفاده از مدل‌هاي هيدرولوژيكي و شبكه عصبي مي‌باشد. هـدف از اين تحقيق جهـت شبيه‌سازي فراينـد بارش_ رواناب و بررسي كارآمدي مدل شبكه عصبي مصنوعي پرسپترون چندلايه (MLP) و مدل هيدرولوژيكيHEC-HMS در شبيه‌سازي فرايند بارش- روانـاب در حوضه آبريز رودخانه كن است. داده‌هاي مورد استفاده در مدل از مقادير داده‌هاي مشاهداتي آبدهي و بارش ايستگاه هواشناسي و هيدرومتري موجود در يك دوره آماري 20 ساله (1380-1360) جهت ورود به مدل استفاده شد. براي ارزيابي كارايي مدل‌هاي مورد استفاده، داده‌هاي شبيه‌سازي شده و مشاهده‌اي جريان با استفاده از آماره‌هاي ضريب همبستگي، ريشه ميانگين مربعات خطا و ضريب عملكرد مورد ارزيابي قرار گرفت. نتايج نشان دهنده مقادير ضريب همبستگي (0.87= R) و ريشه ميانگين مربعات خطا (7.35= RMSE) براي مدل MLP و مقادير ضريب همبستگي (0.82= R) و ريشه ميانگين مربعات خطا (6.49= RMSE) براي مدل HEC-HMS مي‌باشد. نتايج حاصل از واسنجي مدل نشان مي‌دهد كه توافق و همبستگي خوبي بين جريان‌هاي مشاهده شده و شبيه‌سازي وجود دارد و مي‌توان گفت كه مدل براي حوضه مناسـب مي‌باشد. امـا شبكه عصبي در شبيه‌سازي جريان با توجه به ارزيابي‌هاي آماري نسبت به مدل هيدرولوژيكي از دقت بالاتري برخوردار است.