تاثير ساختارها و ورودي هاي مختلف شبكه هاي عصبي مصنوعي در تخمين دبي روزانه حوزه آبخيز معرف امامه

Effect of various structures and input on the estimation of daily discharge of Amameh watershed

يكي از مهم ترين محاسبات هيدرولوژيك در يك اكوسيستم، تعيين ارتباط بين بارش و رواناب است. به طوري كه بررسي فرايندهاي به وقوع پيوسته در آن و برآورد خروجي هاي مهم حوزه از قبيل سيلاب و رسوب از مهم ترين هدف هاي يك پروژه آبخيزداري تلقي مي شود. به دليل ويژگي هاي متغير زماني و مكاني وقايع در چرخه آبي، روابط غير خطي و عدم قطعيت، هيچ كدام يك از مدل هاي آماري و مفهومي نتوانسته به عنوان يك مدل برتر و توانا كارگشا باشد. اما امروزه استفاده از شبكه هاي غيرخطي به عنوان سامانه هاي هوشمند در پيش بيني چنين پديده هاي پيچيده و حل بسياري از مشكلات اكوهيدرولوژي مي تواند مفيد و موثر باشد. به اين منظور از داده هاي روزانه بارندگي، دما، تبخير و تعرق، رطوبت نسبي و همچنين دبي در مقياس روزانه و در دوره زماني مشترك 42 ساله و بررسي 62 ساختار پيشنهادي مختلف در حوزه آبخيز معرف امامه استفاده شد. در اين راستا و به منظور مقايسه از شبكه هاي عصبي پرسپترون چند لايه و تابع پايه شعاعي استفاده گرديد. نتايج نشان داد كه از بين بيش از 6000 مدل موجود در تخمين دبي رودخانه، مدل 54 با ساختار 1-8-9-8 و ورودي هاي دما، رطوبت نسبي، بارندگي و تاخير بارندگي و دبي تا دو روز بوده و با روش پرسپترون چند لايه داراي بهترين عملكرد بوده است. ميزان خطاي مدل مذكور برابر با 0.03، 0.18 , 0.04 در مرحله مدلسازي و آموزش و 0.02، 0.14, 0.02 در مرحله آزمايش براي معيارهاي ارزيابي به ترتيب شامل ميانگين مربعات خطا (MSE)، مجذور ميانگين مربعات خطا (RMSE)، ميانگين مطلق خطا (MAE) بوده است.

One of the most important of hydrological computing in ecosystem is estimation of the relationship between rainfall and runoff. So that investigation occurred processes in it and the estimate of important outputs such as flood and sediment is considered one the most important mission of a watershed project. Because of variable spatial and temporal characteristics of incident in the water cycle and the nonlinear relationship and uncertainties، none of the statistical and conceptual models are able to be a better and capable model for that. But today using nonlinear networks as intelligent system for forecasting such complicated event can be efficient and effective in many problems of ecology. For this aim it is used variables such as precipitation، temperature، evartanspiration، relative humidity and discharges in daily scale over 42 years period and assessment 62 different suggested structures for surveying river flow in Amame representative watershed. For comparison it used Multi Layer Perceptoron (MLP) and Radial Basis Function (RBF).The results show that out of 6000 available models for estimation river flow model number 54 with 8-9-8-1 network structure and 8 types of input variable such as precipitation (Pt)، precipitation with two lags (Pt-1 and Pt-2)، temperature (Tt)، evartanspiration (ETt)، relative humidity (Rht)، and discharge with two lags (Qt-1 and Qt-2) with Multi Layer Perceptoron method has the best function. The error of model was 0.03، 0.18 and 0.04 in training and 0.02، 0.14 and 0.02 for testing stage for MSE، RMSE and MAE، respectively.