بررسی کارایی مدل های شبکه عصبی مصنوعی، نروفازی و رگرسیون چندمتغیره در شبیه سازی میزان رواناب و فرسایش با استفاده از باران ساز

تحقیق فوق با هدف تعیین کارایی مدل های شبکه عصبی مصنوعی، عصبی- فازی و رگرسیون چند متغیره در شبیه سازی حجم رواناب و میزان فرسایش در سه زیر حوضه از حوزه های آبخیزشمال غرب ایران اجرا شد. در این پژوهش، براساس خصوصیات بارش مشابه از نظر میزان شدت بارندگی نیم ساعته با دوره بازگشت 10 ساله، با استفاده از دستگاه باران ساز مصنوعی انجام شد. برای این منظور، استقرار دستگاه باران ساز در 86 سایت انجام و از 21 متغیر محیطی (از خصوصیات توپوگرافی، خاک شناسی، پوشش گیاهی و تنوع گونه ای) به عنوان ورودی مدل استفاده شد. اعتبارسنجی مدل ها با 18 درصد داده ها انجام شد. نتایج تحقیق حاضر نشان داد که مدل رگرسیونی چندمتغیره می تواند به توجیه 68 و 46 درصد تغییرات به ترتیب متغیرهای حجم رواناب و میزان فرسایش بپردازد و کارایی آن در شبیه سازی پایین است. طبق نتایج، مدل شبکه عصبی تابع پایه شعاعی در مقایسه با روش پرسپترون چندلایه و مدل نروفازی با سناریو روش خوشه ای(رویه هیبرید) در مقایسه با روش شبکه، می توانند به پیش بینی دقیق تر بپردازند؛ به طوری که شاخص های RMSE، MAE و NSE در مدل بهینه شبکه عصبی، به ترتیب معادل 135/0، 114/0 و 99/0 برای حجم رواناب و 011/0، 009/0 و 98/0 برای میزان فرسایش و در مدل بهینه نروفازی، به ترتیب معادل 132/0، 111/0 و 92/0 برای حجم رواناب و 013/0، 011/0 و 98/0 برای میزان فرسایش حاصل شد. لذا مدل های شبکه عصبی با روش تابع پایه شعاعی و نروفازی با سناریو روش خوشه ای- رویه هیبرید به دلیل کارایی بالا، بهترین مدل ها برای شبیه سازی فرسایش و رواناب است.