تخمین میزان رواناب حوضة کن با استفاده از شبکة عصبی مصنوعی

نوع مقاله : مروری

نویسندگان

دانشگاه شهید بهشتی

چکیده

 رواناب یکی از اجزای ضروری محاسبة فرایندهای منابع آب و مسئله‌ای اصلی در هیدرولوژی است. مدل‌های مفهومی زیادی برای پیش‌بینی میزان رواناب مطرح شده‌‌اند که عمدتاً نیازمند داده‌های توپوگرافی و هیدرولوژیکی هستند. روش‌های مرسوم گذشته برای نواحی‌ای که داده‌های هیدرولوژیکی کافی ندارند، نامناسب‌اند. تخمین رواناب، فرایندی غیرخطی و از نظر ز‌مانی و مکانی به‌طور کامل تصادفی است و شبیه‌سازی آن با مدل ساده به‌راحتی امکان‌پذیر نیست. امروزه استفاده از شبکه‌های عصبی مصنوعی در مواردی که کمبود داده‌ها محسوس است، روش مناسبی به‌شمار می‌آید. در پژوهش حاضر از داده‌های بارش، دما و دبی ایستگاه‌های حوضة کن در بازة زمانی 1375 تا 1385 و همچنین خصوصیات فیزیوگرافی حوضة مورد مطالعه به‌عنوان ورودی شبکة عصبی برای پیش‌بینی رواناب استفاده شد. بدین منظور به‌صورت تصادفی 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای تست و اعتبارسنجی شبکه اختصاص داده شدند. به‌منظور انتخاب شبکة بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی، و تعدادی نرون مخفی مختلف بین 1 تا 9 نرون استفاده شد. نتایج پژوهش پس از آزمون شبکه با لایه‌های پنهان و با توابع یادگیری مختلف آشکار ساختند که استفاده از داده‌های بارش، دما و دبی، و تابع آموزشی LM و تابع انتقال Tansig و چهار نرون مخفی، بهترین ساختار را برای تخمین رواناب به‌دست می‌دهد. شبکة عصبی با این ساختار می‌تواند رواناب را با دقت (0.68≤R2≤0.78 و 0.53≥RMSE 0.03≤) برآورد ‌کند.  کلید‌واژه‌ها: تخمین رواناب، شبکة عصبی مصنوعی، الگوریتم پس‌انتشار خطا، حوضة کن، سامانة اطلاعات جغرافیایی. 

عنوان مقاله [English]

Runoff Estimation Using Artificial Neural Network Method

چکیده [English]

Runoff is one of the major components of calculating water resource processes and is the main issue in hydrology. Many concept models are used to predict the amount of runoff, which in most cases depend on topographical and hydrological data. Conventional models are not appropriate for areas in which there is little hydrological data. Changes in runoff are nonlinear, meaning it is time & space independent. Therefore it is not easy to simulate the runoff by simple models. Nowadays an appropriate method used in cases where there is a lack of data, is ANN (Artificial Neural Network). The precipitations, temperatures and flows of KAN watershed station between the years of 1996 to 2006 and physiographic characteristics were used as input data for the Artificial Neural Network to predict runoff. 80% of the data is randomly input into the program and the remaining 20% is used to check the accuracy of the result. For the purpose of determining an optimal network, two types of transfer functions, 12 types of training functions and between 1 and 9 kind of hidden neurons are used. After analyzing the hidden layers and various training functions, the results show that the best structure for estimating the runoff is using the precipitation, temperature, flow, LM training function and Tansig transfer function and 4 of the hidden neurons as input data. The results indicated that a Neural Network with such a structure can accurately estimate the runoff. (0.78≥ R2 ≥ 0.68 and 0.03 ≤ RMSE ≤0.53). Keywords: Estimation of Runoff, Artificial Neural Network, Back Propagation Algorithm, Kan basin