پيش بيني پارامترهاي كمي و كيفي جريان در رودخانه كارون (بازه ملاثاني-فارسيات) با استفاده از شبكه هاي عصبي مصنوعي

Forecasting of flow qualitative and quantitative parameters in Karun river (Molasani-Farsiat reach) using Artificial Neural Networks

برآورد و پيش‌بيني پارامترهاي كيفي و كمي آب در طول رودخانه به منظور تصميم‌گيري‌هاي مديريتي يكي از اهداف مديران و برنامه‌ريزان منابع آب تلقي مي‌گردد. برآورد مقادير كمي و كيفي جريان رودخانه ها با استفاده از مدلهاي رياضي به علت پيچيدگي مكانيزم و تعدد عوامل موثر در كيفيت جريان معمولا با خطاي نسبتا قابل توجه‌اي همراه مي‌باشد. امروزه تكنيك جديد استفاده از مدل شبكه‌هاي عصبي مصنوعي كه مبتني بر هوش مصنوعي مي‌باشد كاربرد گسترده اي در زمينه‌هاي مختلف علمي به ويژه مهندسي آب پيدا كرده است. در اين تحقيق با استفاده از مدل شبكه عصبي مصنوعي پرسپترون چند لايه(MLP)، شبكه پيش رونده(FF)، شبكه تابع پايه شعاعي (RBF) به پيش بيني 3 روز آينده مقادير كمي و كيفي جريان در رودخانه كارون، بازه ملاثاني-فارسيات، شامل دبي جريان، اشل، كل املاح محلول در آب (TDS) و هدايت الكتريكي (EC) پرداخته مي شود. بازه زماني داده هاي مورد استفاده از 1/1/1369 تا 12/7/1378 بوده كه تعداد 10434 الگو بعد از تاخير زماني متغير ها بدست آمد. براي آموزش، ارزيابي همزمان با آموزش و آزمون مدلها به ترتيب از 70% ، 20% و 10% الگوها استفاده گرديد. براي تعيين داده هاي ورودي موثر در مدلهاي شبكه عصبي مصنوعي و تعداد نرونها در لايه مياني هر يك از مدلها از قابليت بهينه سازي الگوريتم ژنتيك استفاده شد. نتايج نشان مي دهد كه دقت مدل هاي FF، MLP و RBF در برآورد و پيش بيني پارامترهاي كمي و كيفي جريان در رودخانه كارون به ترتيب برابر با 4/90%، 5/80% و 86% مي باشد. آناليز حساسيت متغيرهاي خروجي نسبت به متغير هاي ورودي نشان مي دهد كه زمان عبور جريان در رودخانه بر حسب ماه و فاصله طولي هر ايستگاه نسبت به ايستگاه بالادست به ترتيب بيشترين تاثير بر پارامترهاي كمي و كيفي جريان در رودخانه دارند.

Estimation and forecasting of the river flow qualitative and quantitative parameters for the administrative decision is considered as one of the objectives of water resource managers and planners. A qualitative and quantitative estimate of river flow by using mathematical models usually is associated with the relatively significant error because of the complexity of mechanisms and Multiplicity of factors affecting the quality. The new technique using Artificial Neural Networks based Artificial Intelligence (AI) is widely used in various scientific fields, particularly water engineering. In this study, the qualitative and quantitative parameters of Karun river flow, Molasani-Farsiat reach, including flow discharge, stage, total dissolved solids (TDS) and electrical conductivity (EC) are forecasted up 3days later by using Multi-Layer Perceptron (MLP), Feed Forward (FF) and Radial Basis Function (RBF) of Artificial Neural Networks. Data period was from 01/01/1369 to 12/07/1378 and 10434 numbers of patterns were achieved after the time delay. The 70%, 20% and 10% of patterns used for training, cross-validation and test of models respectively. The Genetic Algorithm method was used for determining efficient input variables and optimum numbers of neurons in hidden layers of models. Results shows that the precision of FF, MLP and RBF models for estimation and forecasting of qualitative and quantitative parameters of Karun river flow are 90.6%, 80.5% and 86% respectively. The sensitivity analysis of output variables to input variables shows that the times of river flow according to month and longitudinal distance from each station to upstream station have significant impact on qualitative and quantitative parameters of river flow respectively.