كاربرد شبكه‌ي عصبي مصنوعي در شبيه‌سازي و پيش‌بيني سيلاب در حوضه‌ي آبريز سرباز

بروز سيلاب‌هاي سهمگين در اثر تغييرات آب و هوايي طيّ دهه‌هاي اخير سبب بروز خسارات فراواني در نواحي مختلف دنيا شده است. در نواحي خشك تاثير اين تغييرات محسوس‌تر است. در اين بين استان سيستان و بلوچستان با آب و هواي گرم و خشك، مستعد وقوع سيل مي‌باشد. حوضه‌ي آبريز سرباز كه در قسمت‌هاي جنوبي اين استان پهناور قرار گرفته، متاثر از شرايط موجود هرساله شاهد وقوع سيل و نتايج مخرب آن مي‌باشد. هدف از اين پژوهش پيش‌بيني سيلاب رودخانه‌ي سرباز با شبكه عصبي مصنوعي مي‌باشد. در اين پژوهش از سه شبكه پرسپترون چندلايه، پس انتشار و Radial Basis جهت پيش‌بيني سيلاب رودخانه‌ي سرباز استفاده شد و نتايج اين شبكه‌ها با مدل رگرسيون چند متغيّره مقايسه شده است. براي اين منظور از داده‌هاي روزانه اقليمي و هيدرولوژيكي سه ايستگاه سرباز، ايرانشهر و پيردان طيّ يك دوره‌ي 28 ساله (مهر 1360 تا شهريور 1388) استفاده شد. با بررسي همبستگي بين اين داده‌ها و دبي رودخانه سرباز پارامترهاي موثر بر سيلاب تعيين شد. پس از نرماليزه كردن داده‌ها، مدل‌هاي مختلف ايجاد شد. بررسي نتايج نشان داد كه شبكه‌ي منتخب Radial Basis با همبستگي 97/0 در مرحله‌ي آموزش و 714/0 در مرحله‌ي آزمايش و خطاي كمتر نسبت به ساير شبكه‌ها به عنوان بهترين مدل در بين انواع شبكه‌ي عصبي شناخته شد. مقايسه‌ي نتايج اين شبكه و مدل رگرسيوني نشان مي‌دهد كه مدل شبكه عصبي عملكرد مناسب‌تري دارد و پيش‌بيني بهتري نسبت به روش رگرسيوني از سيلاب رودخانه‌ي سرباز ارايه مي‌دهد

The occurrence of horrific floods as a result of climatic changes in recent decades has caused many damages in different areas of the world. In dry areas, the effects of these changes are more tangible. Among these regions, Sistan and Baluchestan province, regarding its warm and dry climate, is flood prone. Sarbaz basin which is located in the southern parts of this vast province, each year is encountered with flood occurrences and its destructive consequences under the affection of the current situation. This aim of this study is to forecast the floods of Sarbaz River via an artificial neural network. In this study, three networks including multi-layer perception network, back propagation and radial basis were used to predict floods of Sarbaz River and the results of these networks were compared through multiple regression models. To this aim, the data of three daily climatic and hydrological stations of Sarbaz, Pirdan and Iranshahr were used over a period of 28 years (October 1981 upto Septenber 2009). Analyzing the correlation between the data and the flow rate of Sarbaz River, the effective parameters on floods were determined. After normalizing the data, different models were created. Surveying the results showed that the selected network Radial Basis with the correlation 0.97 at the training phase and 0.714 at testing phase and less error comparing with other networks, was selected as the best model among various neural networks. Comparing these network results and regression models showed that the neural network model has a better performance and presents a better prediction of Sarbaz river flood using the regression method.