مدلسازي بارش-رواناب در حوزه آبخيز زهره

چكيده در اين تحقيق از مدل¬هاي شبكه¬هاي عصبي مصنوعي MLP و RBF براي مدل¬سازي رواناب در مقياس هاي زماني مختلف استفاده گرديد. در كدام از مدل هاا به فراخور نياز در ابتدا اقدام به آماده¬سازي و استانداردسازي داده¬ها گرديد. سپس بسته به نوع شبكه مورد استفاده اقدام به تعيين معماري شبكه گرديد. در مرحله بعد اقدام به تعيين پارامترهاي شبكه مورد استفاده گرديد. مهمترين پارامترهايي مورد استفاده در مدل mlp شامل، تعداد تكرار، تعداد نرون مخفي، تعداد لايه، خطاي هدف و ضريب يادگيري بوده است. هم چنين مهمترين پارامترهاي مورد استفاده در مدل rbf شامل تعداد تكرار، خطاي هدف و ضريب گسترش مي باشد. از توابع خود همبستگي و خود همبستگي جزئي به منظور تعيين تعداد گام هاي قبلي بارش به عنوان رطوبت قبلي خاك استفاده شد. نتايج ارزيابي عملكرد مدل MLP و RBF در حوزه آبخيز زهره در مقياس زماني روزانه نشان داد كه مدل¬هاي روزانه با ورودي بارش و دبي با گام زماني تا دور روز قبل بهترين عملكرد را چه از جهت دقت و چه از جهت پايين بودن خطا ارائه كرده است. در مقياس¬ روزانه دقت مدل RBF در مقايسه با مدل MLP در مجموع بالاتر بوده است ولي در مقياس ماهانه، فصلي و سالانه مدل¬MLP دقت قابل قبولي جهت پيش بيني دبي ارائه مي دهد