پيش بيني ضريب رواناب رگبار با استفاده از شبكه عصبي مصنوعي در حوزه آبخيز بار اريه نيشابور

Prediction of Runoff Coefficient using Artificial Neural Network in Neishabour Bar Watershed

از ديرباز معادله هاي متنوعي براي تعيين رواناب به منظور مديريت منابع آب توسط پژوهش گران ارايه شده كه كاربرد گسترده اي در علوم هيدرولوژي دارند. در پژوهش حاضر با بهره گيري از داده هاي مشاهده اي كاربرد شبكه عصبي مصنوعي در برآورد ضريب رواناب بررسي شد. منطقه مورد مطالعه حوزه آبخيز بار اريه نيشابور بود. داده هاي مربوط به 33 واقعه بارش-رواناب اتفاق افتاده در بين سال هاي آماري 1331 تا 1385 جمع آوري گرديد. از جمله خصوصياتي كه از باران نمودها به عنوان متغيرهاي مستقل ورودي مدل استخراج شد شامل شدت متوسط بارش، مقدار متوسط بارش، چارك هاي اول تا چهارم مقدار بارش، چارك هاي اول تا چهارم شدت بارش، مجموع بارش پنج روز قبل و شاخص في بود. با استفاده از اين پارامترها و تركيبات مختلف آن ها در لايه ورودي، شبكه هاي مختلف اجرا شد. شبكه عصبي مصنوعي مورد استفاده با الگوريتم يادگيري لونبرگ ماركوارت و تابع انتقال تانژانت هيپربوليك آموزش ديده و با ورودي هاي مختلف اجرا شد. نتايج نشان داد كه شبكه با ورودي چارك هاي اول تا چهارم شدت بارندگي، مدت و مقدار بارندگي، شاخص ( ) و بارش پنج روز قبل با تابع انتقال تانژانت هيپربوليك مي تواند ضريب رواناب رگبار را با ضريب تبيين تست 98/0 و جذر ميانگين مربعات خطاي 0337/0 و متوسط قدر مطلق خطا 0275/0پيش بيني كند.

From Longley, the various equations for determining the runoff to water management are presented by the researchers that are widely used in hydrologic sciences. In this study by using observational data, was evaluated empirical, artificial neural network (ANN) models in estimation of runoff coefficient. The study area was Bar Ariyeh Neishabour watershed. the data of 33 flood events during 1952 to 2006 were collected. Among Characteristics from precipitation hytographs as model input variables were extracted include The average intensity of rainfall, average rainfall, 1 to 4rd quartiles of rainfall, 1 to 4rd quartiles intensity of rainfall, total precipitation of five days before, the index ?. Therefore, using these parameters and different combinations in the input layer network, different networks were implemented. Artificial neural network is used learning algorithm with Levenberg-Marqwart and Hyperbolic tangant trained and performed with various inputs. The results showed, network with 1 to 4rd quartiles intensity of rainfall, average rainfall, time of rainfall, total precipitation of five days before and ? index as input layer with Hyperbolic tangant transfer function could predict storm runoff coefficient with determination coefficient 0.98 and the Root Mean Squared Error 0.0337 and Mean Absolute Error 0.0275.