برآورد ميزان رواناب با استفاده از مدل شبكه عصبي مصنوعي

Estimation of Runoff Using Artificial Neural Network Model

مدل‌سازي بارش – رواناب يك فرآيند ضروري و پيچيده مي‌باشد كه در مديريت و برنامه‌ريزي صحيح منابع آب نقش عمده‌اي دارد. مدل‌سازي اين فرآيند با استفاده از روش‌هاي مختلفي امكان‌پذير است. از ديدگاه نظري، در مدل‌سازي يك سامانه مي‌بايست روابط صريح بين متغيرهاي ورودي و خروجي معلوم باشند. در حاليكه به علت معلوم نبودن روابط صريح بين متغيرها و عدم قطعيت‌هاي ذاتي آنها، استخراج چنين مدلي بسيار مشكل مي‌باشد. بنابراين استفاده از روش‌هاي داده محور كه محاسبات را در شرايط غيردقيق انجام مي‌دهند و كاربردهاي فراواني در مسائل شناسايي - كنترلي داشته‌اند، اجتناب‌ناپذير است. مدل شبكه عصبي مصنوعي (ANN) يكي از انواع اين روش‌ها مي‌باشد. هدف اين تحقيق بررسي كارآمدي مدل ANN در شبيه ‌سازي فرآيند بارش – رواناب حوضه آبريز رودخانه كارده مشهد است. داده‌هاي مورد استفاده در اين تحقيق، شامل رخدادهاي بارش ساعتي به همراه دبي رواناب ساعتي متناظر هر رخداد طي يك دوره آماري پنج ساله است. براي ارزيابي كارايي مدل ANN، دادهاي شبيه‌سازي شده و مشاهده‌اي مربوط دبي رواناب پيك مقايسه شدند. يافته‌هاي تحقيق نشان مي‌دهد كه مقدار معيار خطاي جذر ميانگين مربعات (RMSE) دبي رواناب پيك برآورد شده و مشاهداتي مدل ANN برابر 0/0203 و اين بدان معناست كه خروجي مدل ANN از دقت خوبي برخوردار است.

Rainfall modeling - runoff is a necessary and complex process that plays an important role in the proper management and planning of water resources. Modeling this process is possible using a variety of methods. Theoretically, in modeling a system, there should be explicit relationships between input and output variables. While it is difficult to extract such a model due to the lack of clear relationships between variables and their inherent uncertainties. Therefore, the use of data-driven methods that perform calculations in non-explicit conditions and have many applications in control identification issues is inevitable. Artificial Neural Network Model (ANN) is one of these methods.The purpose of this study was to evaluate the efficiency of the ANN model in simulating the rainfall-runoff process in the Kardeh River basin in Mashhad. The data used in this study include hourly precipitation events and associated hourly runoff runoff events during a 5-year statistical period. In order to evaluate the ANN performance, simulated and observed data related to peak runoff were compared.The results of the research show that the mean square root mean square error (RMSE) of the peak runoff is estimated and the ANN observations are 0.0203, which means that the ANN output is very accurate.