كاربرد شبكه عصبي مصنوعي در شبيه سازي و پيش بيني سيلاب مطالعه موردي : حوضه آبخيز شهري جغتاي)

Application of the Artificial Neural Network to Simulate and Predict Floods (Case Study: Urban Watershed of Joghatay)

در اين پژوهش از شبكه هاي عصبي مصنوعي Artificial Neural Networks به عنوان ابزاري توانمند در مدل سازي فرايندهاي غير خطي و نامعين به منظور پيش بيني دبي سيلاب در ايستگاه هاي سينوپتيك، كليماتولوژي و هيدرومتري اطراف حوضه آبخيز شهري جغتاي كه حداقل 27 سال آمار روزانه داشتند استفاده شد. داده هاي مساحت، محيط، ارتفاع متوسط، شيب متوسط حوضه، طول ابراهه اصلي، طول حوضه، تراكم زهكشي، زمان تمركز، ضريب گراويليوس و متوسط بارندگي ساليانه و 24 ساعته بعنوان ورودي مدل استفاده شد. در اين مطالعه 70٪ داده ها براي آموزش مدل ها training و ٪30 باقي مانده براي آزمايش آنها testing بكار رفته است. سپس مقدار برآورد شده با روش رگرسيون چند متغيره مقايسه گرديد. نتايج حاصل از اين تحقيق نشان داد كه مدل شبكه عصبي با ضريب همبستگي (r2=0.98) در سطح معني داري 5 درصد و مجذور ميانگين مربعات خطا 0/02(RMSE) در مرحله آموزش و 0/05 در مرحله آزمايش از دقت بالايي نسبت به روش رگرسيوني برخوردار بوده و در نتيجه در مدلسازي سيلاب روش شبكه عصبي مصنوعي بر روش رگرسيون چندمتغيره ارجحيت دارد و پارامترهاي مساحت، زمان تمركز، طول آبراهه اصلي و ضريب گراويليوس به ترتيب بيشترين نقش را در پيش بيني دبي سيلاب حوضه آبخيز شهري جغتاي داشته اند و مي توان با دقت بالاي 95 درصد دبي سيلاب اين حوضه را پيش بيني نمود.

In this study, Artificial Neural Networks as a capable tool was used for modeling nonlinear and uncertain processes in order to predict flood discharge at synoptic, climatologic and hydrometric stations of joghatay which had 27 years daily data. The area data, perimeter, average height, the average slope of basin, main channel length, basin length, drainage density, concentration time, Gravelious coefficient and the mean annual and 24th hour rainfall were used as input model. Approximately 70% of data for training and 30% for testing were used in the models. Then, the estimate amount was compared using multivariate regression. The results show that the neural network model is significant with ( r2 =89.0 )coefficient in 5% level and root mean square error (RMSE) in training level and in in testing level were 0.02 and 0.05 respectively which had the high precision than the regression method. Thus, in flood modelling the artificial neural network excels the multivariate regression model and the area, concentration time, main channel length and Gravelious coefficient had the highest role in predicting flood in Joghatay watershed respectively and they can predict the flood discharge with high precision of 95%.