بررسي عملكرد شبكه عصبي مصنوعي در پيش‌بيني جريان رودخانه (مطالعه موردي: حوزه قره آغاج استان فارس)

Investigation of Artificial Neural Network performance in river flow forecasting (Case study: Ghare Aghaj River Basin, Fars Province)

به منظور پيش بيني جريان رودخانه در حوزه هاي آبخيز طي ساليان متمادي، روش هاي مختلفي ابداع شده كه كارايي آن ها نيز به اثبات رسيده است. يكي از اين مدل هاي شيبه سازي، شبكه هاي عصبي مصنوعي است كه مي توانند با دقتي درخور توجه، واقعيات موجود را به تصوير بكشند. در اين تحقيق، به منظور شبيه سازي دبي، به بررسي و تأثير پارامترهاي هواشناسي بر روي جريان رودخانۀ قره آغاج پرداخته شد. براي اين منظور از آمار دبي، بارش و دماي ماهانه ايستگاه هاي موجود حوزه با طول دورۀ آماري 23 سال (1360ـ1383) استفاده شد. داده هاي موجود پس از نرمال سازي، به دو دسته آموزش و تست تقسيم و به 5 صورت متفاوت و 9 مدل با استفاده از شبكۀ عصبي پرسپترون چند لايه با قانون پس انتشار خطا و توابع يادگيريLM و Gdx مورد آزمون قرار گرفتند. بهترين آرايش شبكه با استفاده از تابع يادگيري LM به صورت 1-21-9 با مقادير ضريب همبستگي 1 و 1 و براي تابع يادگيري Gdx نيز به صورت 1-13-7 با مقادير ضريب همبستگي 94/0 و 96/0 به ترتيب براي داده هاي آموزش و تست حاصل شد. نتايج حاصل بيانگر تأثير پارامترهاي هواشناسي مانند دما و بارش بر روي جريان خروجي حوزه و اختلاف بسيار ناچيز بين داده هاي شبيه سازي شده با مقادير مشاهداتي است. همچنين شبكۀ عصبي در شبيه سازي جريان رودخانه با تابع يادگيري LM كارايي بهتري را نشان داد.

In order to river flow forecasting in catchments area in during many years are invented different methods that their efficiency is confirmed. One of these simulation models is neural network that it can draw the existence of truth together with considerable attention. In this research in order to Discharge simulation is investigated meteorological parameters effects on Ghare Aghaj river flow. For this reason it is used monthly discharge, precipitation and temperature data of present stations with statistical period of 23 years, in during 1981 to 2003. The existing data divided into two groups of train and test after normalization and then they were tested with 5 different types and 9 models and by using from multi layer perceptron neural network together with error back propagation law and also LM and Gdx learning functions. The best network arrangement using from LM learning function was prepared in the case of 9-21-1 with correlation coefficient quantities 1 and 1 for train and test data orderly and for Gdx learning function was prepared in the case of 7-13-1 with correlation coefficient quantities of 0.94 and 0.96. The result represents the meteorological parameters effect like temperature and precipitation is clear on output flow and also exist a inconsiderable difference between simulated and observed quantities. Also neural network shows a better efficiency in river flow simulation by LM learning function.