مدلسازي فرآيند بارش- رواناب با استفاده از روش كنترل گروهي داده ها (GMDH) و شبكه هاي عصبي مصنوعي (ANN) در حوزه آبخيز پلرود

Rainfall Runoff Modeling using Group Method of Data Handling (GMDH) and Artificial Neural Network (ANN) IN In Polrood Basin

مدلسازي بارش- رواناب يك فرآيند ضروري و پيچيده مي باشد كه در بهره برداري مناسب از مخازن و مديريت و برنامه ريزي صحيح منابع آب نقش عمده اي دارد. مدلسازي اين فرآيند با استفاده از روش هاي مختلفي امكانپذير است. از نظر تيوري، در مدلسازي يك سيستم مي بايست روابط صريح بين متغيرهاي ورودي و خروجي معلوم باشند. در حاليكه به علت معلوم نبودن روابط صريح بين متغيرها و عدم قطعيت هاي ذاتي آنها، استخراج چنين مدلي بسيار مشكل مي باشد. بنابراين استفاده از روش هاي داده-محور كه محاسبات را در شرايط غيردقيق انجام مي دهند و كاربردهاي فراواني در مسايل شناسايي كنترلي داشته اند، اجتناب ناپذير است. روش كنترل گروهي داده‌ها (GMDH) يكي از انواع اين روش‌ها مي باشد كه به تدريج يك نگاشت بين متغيرهاي ورودي و خروجي توليد مي‌كند. در اين تحقيق براي شبيه سازي فرآيند بارش-رواناب حوزه آبريز پلرود، يك مدل بر اساس رويكرد GMDH توسعه داده شده است. ارزيابي نتايج با استفاده از معيارهاي آماري انجام شده و همچنين با نتايج شبكه هاي عصبي (ANN) نيز مقايسه شده است. نتايج حاكي از توانايي بالاي هر دو روش در پيش بيني و شناسايي روابط پيچيده بين متغيرها در پيش بيني رواناب روزانه ناشي از بارندگي مي باشند. مقادير نتايج معيارهاي آماري بيانگر عملكرد بهتر رويكرد استقرايي GHMD نسبت به شبكه هاي عصبي در مدلسازي بارش- رواناب در اين حوزه مي باشد.

Rainfall-runoff modeling is an essential process and very complicated phenomena that is necessary for proper reservoir system operation and successful water resources planning and management. There are different methods like conceptual and numerical methods for modeling of this process. Theoretically, a system modeling required explicit mathematical relationships between inputs and outputs variables. Developing such explicit model is very difficult because of unknown relationship between variables and substantial uncertainty of variables. In this case, Data driven methods which are based on imprecise conditions and evolutionary algorithms have shown capabilities in many nonlinear systems identification and control issues. One of these intelligent methods is Group Method of Data Handling (GMDH). This method produce complex model during the performance evaluation of input and output information sets increasingly. So in this research we have developed a model based on GMDH for rainfall-runoff modeling in Polrood basin located in North of Iran in Guilan province. Results have evaluated using statistical criteria and compared with an artificial neural network (ANN) model. Results have shown the high performance of two methods for rainfall runoff modeling in dairy scales. Based on statistical criteria, experiment results indicates that the GMDH model was powerful tool to model rainfall runoff time series and can be applied successfully in complex hydrological modeling.