مقايسه شبكه عصبي مصنوعي و مدل HEC – HMS در برآورد بارش – رواناب در حوضه آبريز رودخانه اعظم هرات

يكي از روش‌هايي كه در زمينه‌هاي مختلف علمي استفاده شده و مي‌تواند فرايند پيچيده بارش – رواناب را شبيه‌سازي كند، استفاده از مدل‌هاي شبكه عصبي مصنوعي است. هدف اين تحقيق بررسي كارآمدي شبكه‌هاي عصبي مصنوعي در شبيه‌سازي فرايند بارش- رواناب و مقايسه نتايج آنها با مدل HEC – HMS در حوضه آبريز رودخانه اعظم هرات در استان يزد است. داده‌هاي مورد استفاده در اين تحقيق،شامل بارندگي روزانه به همراه دبي روزانه و لحظه‌اي رودخانه مزبور طي يك دوره آماري 24 ساله (1361-1385) است. ابتدا بارش نگارهاي چندين پيشامد بارندگي و آبنمودهاي رواناب آنها مبناي كار قرار گرفت. سپس شبكه عصبي مصنوعي با الگوريتم پس‌انتشار خطا و استفاده از تابع تبديل سيگموييد آموزش داده شد. معيار گزينش پارامترهاي شبكه در مرحله آموزش، توليد كمترين مقدار (RMSE) در خروجي‌هاي آن بود. مدل HMS به روش پيشنهادي SCS و شماره منحني (CN) اجرا شد. براي ارزيابي كارايي شبكه عصبي مصنوعي، داده‌هاي شبيه‌سازي شده و مشاهده‌اي مربوط به كل دبي و حجم رواناب، دبي‌ها و زمان‌هاي اوج مقايسه شدند. يافته‌هاي تحقيق نشان مي‌دهد كه ضرايب همبستگي كل دبي‌هاي مشاهده‌اي و برآورد شده شبكه عصبي 978/0 و مدل HMS 823/0 است و خروجي شبكه نسبت به خروجي مدل از دقت بيشتري برخوردار است. ضرايب همبستگي مربوط به حجم رواناب برآورد شده و دبي اوج به ترتيب براي شبكه 986/0 و 981/0 و براي مدل 979/0 و 972/0 به دست مي‌آيد. مقايسه زمان اوج آبنمودهاي واقعي با موارد پيش‌بيني شده ANN و HMS نشان مي‌دهد كه دقت شبكه در اين مورد نيز به مراتب از دقت مدل استفاده شده بيشتر است و ضرايب همبستگي شبكه 833/0 و مدل 491/0 برآورد مي‌شود. مقايسه عملكرد شبكه و مدل به كار رفته نشان مي‌دهد كه در تمام پارامترهاي مورد نظر دقت شبكه بيشتر از مدل HMS است. با انجام آزمون t با سطوح احتمال 95 و 99 درصد، اختلاف معني‌داري ميان اندازه‌هاي مشاهده‌اي و شبيه‌سازي شده مربوط به همه پارامترهاي مورد بررسي مشاهده نشد.