بررسي كارايي شبكه هاي عصبي پرسپترون چند لايه و زمان تاخيري دربرآورد جريانهاي سطحي حوزه ي آبخيز زاينده رود

رواناب نقش مهمي در مديريت حوزه هاي آبخيز ايفا مي كند و برنامه ريزي و ايجاد زمينه مناسب براي بهبود وضعيت حوزه هاي آبخيز بستگي زيادي به آن دارد. از طرفي برآورد رواناب در حوزه هاي آبخيز اهميت زيادي در مطالعات منابع آب، تعيين و طراحي سازه هاي كنترل سيل دارد. با توجه به قابليت شبكه هاي عصبي مصنوعي در برآورد رواناب، كم هزينه بودن، انعطاف پذيري و اهميتي كه حوزه ي آبخيز سد زاينده رود در تامين آب مورد نياز شهري، كشاورزي و صنعتي ايفا مي كند، كارايي شبكه-هاي عصبي در برآورد رواناب ماهانه زيرحوزه هاي بالا دست سد زاينده رود مورد بررسي قرار گرفت. در اين پژوهش دو نوع مدل شبكه عصبي پرسپترون چند لايه (MLP ) و مدل شبكه عصبي زمان تاخيري(TLNN) در زيرحوزه هاي پلاسجان، سمندگان و زاينده رود مورد بررسي قرار گرفت. نتايج بيانگر اين بود كه مدل TLNN عليرغم حساسيت زياد در مرحله آموزش، از كارايي خوبي در برآورد رواناب برخوردار بوده و نسبت به مدلMLP از خطاي كمتري برخوردار است. بطوريكه اين شبكه ها با استفاده از وروديهايي شامل 3 تا 4 ايستگاه بارانسنجي و 2 تا 3 ايستگاه دماسنجي با آموزش مناسب مي توانند بخوبي رواناب ماهانه را برآورد نمايند. شبكه هاي عصبي زمان تاخيري ضمن داشتن انعطاف پذيري بسيار بالا، بخوبي توانايي شبيه سازي عكس العمل حوزه آبخيز نسبت به ورودي ها از جمله بارش و دما را دارند.

Runoff is a key factor in watershed management and it is valuable for suitable programming to improve watershed condition. Also runoff estimation in watersheds is important for water resources studies and design of the flood control structures. Flexibility of Artificial Neural Networks (ANNs) , it’s low costing and high capability for monthly runoff estimation was considered to using capability of these networks for monthly runoff estimation in the upstream sub basins of the Zayandehrud Dam. Moreover Zayandehrud Dam Basin has important role for water supply of urban, agriculture and industrial sections. In this study two types of neural networks; including multilayer perceptron (MLP) and time lag neural networks (TLNNs) was evaluated in basins of Samandegan, Plasjan and Zayandehrud. Results indicated that TLNN model has high capability for runoff estimation, although this structure involves high sensitivity during training stage. Also this model had lower error compared with MLP Model. These networks (TLNNs) can estimate monthly runoff with suitable training and implementing inputs of 3 or 4 rain gauges and 2 or 3 temperature stations. TLNNs are suitable simulator of watershed response to the inputs such as rainfall and temperature, due to its high flexibility.