كاربرد روش شبكه عصبي مصنوعي بسط داده شده در يك حوضه‌ آبريز براي برآورد دبي ماهانه در زيرحوضه‌ها (مطالعه موردي: حوضه آبريز بهشت‌آباد)

Application of extended artificial neural network method in a watershed for estimation of monthly discharge sub-basins (Case study: Beheshtabad watershed)

دست‌يابي به معيارهاي هيدرولوژيك براي مناطق فاقد و يا داراي آمار و اطلاعات كافي، در مطالعات هيدرولوژيك امر مهمي است. در اين حوضه‌ها ترجيح داده مي‌شود كه از روش‌هاي جعبه سياه براي مشخص شدن ارتباط بين اطلاعات ورودي (پارامترهاي هواشناسي و فيزيوگرافي) و خروجي (دبي رودخانه) بدون آناليز ساختار داخلي فرآيند استفاده شود. يكي از روش‌هاي مورد استفاده در اين قبيل شرايط، مدل‌هاي هوش مصنوعي است. در اين تحقيق، از شبكه عصبي مصنوعي MLP با الگوريتم پس انتشار خطا در پيش‌بيني دبي ماهانه حوضه آبخيز بهشت‌آباد استفاده شده است. نتايج نشان داد كه دبي ماه قبل و بارش دو ماه قبل جز پارامترهاي اساسي به عنوان ورودي شبكه هستند. همچنين بهترين مدل به دست آمده براي ايستگاه هيدرومتري بهشت‌آباد در دو زيرحوضه باباحيدر و كوه سوخته نيز اجرا شد و دبي‌هاي تخمين زده شده و اندازه‌گيري شده در ايستگاه‌هاي هيدرومتري واقع در خروجي اين دو زيرحوضه مقايسه شدند. نتايج حاكي از آن بود كه در حوضه‌هاي كوچك، مي‌توان از مدل كلي واسنجي شده براي حوضه آبريز اصلي استفاده كرد.

Finding hydrologic criteria for regions with insufficient or no data is important in water resources studies. In basins with lack of streamflow data, it is preferred to use black-box methods to relate inputs (meteorologic and physiographic parameters) and output (river discharge) without the analysis of the process. Artificial Neural Networks model is one of the methods which can be used in such situations. In the present research, MLP artificial neural network with back-propagation algorithm is used to estimate monthly discharge of Beheshtabad watershed. The results showed that main input parameters consist of the latest monthly discharge and the past two months precipitation data. The best model obtained for the Beheshtabad station was used for Babahaidar and Kuhe-sokhteh sub-basins and the measured and estimated discharges were compared. The results showed that the calibrated model obtained for the main hydrometrics station could be also applied to sub-basins.