شبيه‌سازي پيوسته بارش - رواناب با استفاده از شبكه‌هاي عصبي مصنوعي برمبناي انتخاب متغيرهاي موثر ورودي با الگوريتم اطلاعات متقابل جزئي(PMI)

Continuous rainfall-runoff simulation by artificial neural networks based on efficient input variables selection using partial mutual information (PMI) algorithm

آگاهي ازتوان طبيعي توليد رواناب درحوضه‌هاي آبريز يكي از نيازهاي اساسي براي برنامه‌ريزي اصولي جهت بهره‌برداري بهينه از رواناب مي باشد. از اينرو شبيه‌سازي بارش –رواناب در حوضه‌هاي آبريز از اهميت زيادي برخوردار مي‌باشد. در اين مقاله به شبيه‌سازي پيوسته بارش-رواناب در حوضه سد مارون با شبكه هاي عصبي مصنوعي پرداخته شد تا توانايي و دقت اين شبكه‌ در برآورد رواناب نيز ارزيابي گردد. با توجه با اينكه تعداد روزهاي بارندگي در هر سال كمتر از روزهاي غير بارندگي مي‌باشد بنابراين رواناب خروجي از حوضه ناشي از دو مكانيسم متفاوت مي‌باشد. در زمانهاي همراه با وقوع بارش و چند روز بعد از آن، رواناب خروجي از حوضه عمدتا به صورت سيلابهاي با دبي زياد و تداوم كم مي باشد. ولي در اكثر روزهاي سال كه بارندگي وجود ندارد، رواناب خروجي بصورت جريان پايه با مقادير دبي كم و با تداوم زياد مي‌باشد. بنابراين در اين تحقيق سعي بر ارائه يك مدل بارش-رواناب دو ضابطه‌اي شامل مدل مربوط به روزهاي باراني و مدل مربوط به روزهاي غيرباراني شده است. همچنين متغير‌هاي ورودي موثر در دبي جريان در حوضه مارون با استفاده از الگوريتم اطلاعات متقابل جزيي (PMI) تعيين شده‌اند. مقايسه مقادير شاخص‌هاي آماري بين مدل تك‌ضابطه‌اي و مدل دوضابطه‌اي نشان مي‌دهد كه دقت مدل دوضابطه‌اي در برآورد دبي جريان در ايستگاه ايدنك بيشتر از دقت مدل تك‌ضابطه‌اي مي‌باشد. بطوري كه ضريب ناش-ساتكلايف براي مدل تك‌ضابطه‌اي و دوضابطه‌اي به ازاي مرحله آزمون شبكه به ترتيب برابر با 86/0 و 94/0 مي‌باشد.

Knowledge on the natural ability of basins is one of fundamental needs to optimal utilization of runoff. Thus, rainfall-runoff simulation in basins is of utmost importance. Continuous simulation of rainfall-runoff in Maroun basin performed using Artificial Neural Networks (ANNs) in order to evaluate the ability and accuracy of ANN for runoff estimation. Considering the fact that the number of rainy days per year less than sunny days, so runoff is caused by two different mechanisms. In continuous rainfall time and a few days later, runoff mainly is from high discharge and low base time. But on most days when there is no rainfall, baseflow has low discharge and long base time .Thus, in this research a double criterion model of rainfall-runoff includes model on rainy days and non rainy days were examined. Also efficient input variables on runoff in the Maroun basin are determined using the partial mutual information (PMI) algorithm. Comparison of statistical criteria between the single criterion model and double criterion model indicated that the double criterion model were more accurate. Therefore, the Nash-Sutcliff coefficient of single criterion model and double criterion model for test stage of network were 0.86 and 0.94 respectively.