بررسي كارايي روش‌هاي مختلف هوش مصنوعي و روش آماري در برآورد ميزان رواناب (مطالعه موردي: حوزه شهيد نوري كاخك گناباد)

سال هاست كه از مدل هاي بارشرواناب در زمينه هيدرولوژي و برآورد رواناب استفاده مي شود. اما علي رغم وجود مدل هاي فراوان، ظهور مرتب مدل هاي جديد نشان دهنده آن است كه هنوز مدلي كه بتواند بدون هيچ گونه نقص و ايرادي، كارايي و دقت بالا را در برآوردها ارائه كند ايجاد نشده است. بدين منظور جهت دستيابي به بهترين نتايج ؛ تعيين كارايي و شناسايي بهترين مدل ها، پس از انجام مدل سازي ها، ضرورت مي يابد. در اين راستا، در پژوهش حاضر، ابتدا اقدام به مدل سازي و برآورد ميزان رواناب با استفاده از روش هاي مختلف هوش مصنوعي و نيز روش هاي آماري رگرسيون چندگانه شد. سپس جهت بررسي كارايي روش هاي اجراشده و نهايتاً انتخاب بهترين مدل، از معيارهاي كارايي و ارزيابي شامل؛ ضريب همبستگي (R)، ضريب نشساتكليف(NSE) ، ريشه ميانگين مربعات خطا (RMSE)و ميانگين قدر مطلق خطا (MAE) استفاده گرديد. اطلاعات مورداستفاده در اين تحقيق، از داده هاي 9 واقعه بارندگي در بازه زماني 2015-2011 حوزه كاخك گناباد تهيه شد. مدل هاي هوش مصنوعي موردبررسي در اين مطالعه نيز عبارت بودند از: شبكه عصبي مصنوعي پس انتشار پيش خور نرمال، پيش خور Cascade، پس خور خودبازگشتي Elman، شبكه فازيعصبي (ANFIS) و مدل درخت تصميم رگرسيوني (Regression Tree) كه در محيط نرم افزار متلب اجرا شدند. همچنين از روش رگرسيون چندگانه گام به گام به عنوان روش آماري، در محيط نرم افزار ميني تب استفاده گرديد. نتايج حاصل از اين پژوهش نشان داد؛ انواع روش هاي آماري و هوش مصنوعي در نظر گرفته شده به طور نسبتاً مشابهي داراي كارايي قابل قبول بوده و با دقت مناسب و خطاي نسبتاً كم، قادر به برآورد ميزان رواناب هستند. در اين بين، مدل هاي عصبي پيش خور نرمال و پيش خور Cascade با تعداد 5 پارامتر ورودي ميزان كارايي بهتري را نسبت به ساير مدل ها نشان دادند. چنانكه معيارهاي كارايي R ،NSE ، RMSE و MAE در اين مدل ها، به ترتيب مقادير مشابه؛ 0/88، 0/76، 2 و 1/5 بدست آمد. درمجموع يافته ها حاكي از برآورد بهتر مدل هاي هوش مصنوعي نسبت به روش آماري رگرسيوني است.