شبيه سازي آبنمود بارش- رواناب با توجه به الگوي زماني بارش و استفاده از شبكه عصبي مصنوعي در حوزه آبريز معرف كسيليان

Simulation of Rainfall-Runoff Hydrograph Considering the Rainfall Temporal Pattern Using Artificial Neural Network in Kasilian Reagent Basin

فرآيند بارش- رواناب يك پديده به طور كامل پيچيده و غير خطي در آب شناختي مي باشد. مدل هاي مفهومي به طور وسيعي براي مدلسازي بارش- رواناب به كار برده مي شوند. با اين وجود، اين مدلها نيازمند تعداد زيادي اطلاعات جزيي بوده و كاربرد آنها صرفا محدود به مقياس منطقه مورد مطالعه مي باشد. در مواردي كه با كمبود اطلاعات جزيي مواجه هستيم مدلهاي جعبه سياه مانند شبكه هاي عصبي مصنوعي مي توانند براي مدلسازي روابط غير خطي و پيچيده به كار روند. به منظور شبيه سازي آبنمود بارش- رواناب در حوزه آبخيز معرف كسيليان از مدل شبكه عصبي پرسپترون چند لايه(MLP) با ساختار 7-10-9 استفاده شد. ابتدا داده هاي بارندگي با توجه به الگوي زماني بارندگي به چهار گروه تقسيم گرديدند. براي هر گروه توزيع بارندگي در چارك هاي زماني مختلف، دبي پايه آبنمود ، عمق كل بارندگي، عمق بارندگي تا وقوع زمان تمركز حوضه، تداوم بارندگي و شاخص بارش پيشين به عنوان پارامترهاي ورودي مدل شبكه عصبي لحاظ گرديد. اطلاعات خروجي مدل شبكه عصبي به صورت دبي اوج آبنمود ، زمان وقوع دبي اوج، زمان پايه آبنمود ، زمان رسيدن به دبي برابر با 50 و 75 درصد دبي اوج و عرض هاي آبنمود متناظر با اين دبي ها در نظر گرفته شدند. علاوه بر اين، براي اطلاعات موجود درگروه هاي مختلف و با استفاده از توابع محرك مختلف در لايه هاي پنهان و خروجي شبيه سازي انجام گرديد. نتايج نشان دهنده همبستگي قوي بين خروجي هاي مدل با داده هاي اندازه گيري شده مي باشد. ضرايب همبستگي از 9107/ 0 ( 0882/0= RMSE )براي گروه اول تا 9909/0 ( 06/0= RMSE )براي گروه چهارم از اطلاعات حاصل گرديد. اين همبستگي هاي قوي نشان مي دهدكه در شرايط نبود اطلاعات جزيي، مدل شبكه عصبي مصنوعي مي تواند براي شبيه سازي پارامترهاي آب شناختي مورد استفاده قرار گيرد.

Rainfall-runoff process is a non-linearity and complex phenomenon in hydrology. Comprehensive models are widely implemented for rainfall-runoff modeling. However, these models require a large number of detail information and their application are limited to just field scale studies. In case of lack of detailed data, black boxes model like artificial neural networks can be implemented to model the complex and nonlinearity relationships. To simulate the rainfall-runoff hydrograph in the kasilian basin a multi layer perceptron design of artificial neural network with architecture 9-10-7 was implemented. First precipitation data was divided into four groups to consider the temporal pattern of rainfall. For each group, rainfall distribution in different time quartiles, base flow of hydrograph, total depth of rainfall, and rainfall depth until time of concentration, rainfall duration and antecedent precipitation index was derived and inserted to the ANN model as an input parameters. The output of ANN model consists of peak discharge and its occurrence time, hydrograph base time, time of the 50 and 75 percent of peak discharge occurrence and hydrograph widths corresponding to these discharges. ANN model was executed for the different groups of data using the various activation functions in hidden and output layers. The results indicated that there is a strong correlation between model outputs and measured data. Correlations varies from 0.9107 (RMSE= 0.0882) for the first group to 0.99 (RMSE=0.0678) for the fourth group. These strong correlations confirm that in case of lack of detailed data, ANN model can be used for simulation of hydrological parameters.