علیاکبر متکان؛ علیرضا شکیبا؛ امین حسینی اصل؛ فردین رحیمی دهگلان
دوره 6، شماره 4 ، دی 1393
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 ...
بیشتر
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.