مقایسه شبکه عصبی مصنوعی و مدل HEC - HMS در برآورد بارش - رواناب در حوضه آبریز رودخانه اعظم هرات

یکی از روش هایی که در زمینه های مختلف علمی استفاده شده و می تواند فرایند پیچیده بارش – رواناب را شبیه سازی کند، استفاده از مدلهای شبکه عصبی مصنوعی است. هدف این تحقیق بررسی کارآمدی شبکه های عصبی مصنوعی در شبیه سازی فرایند بارش- رواناب و مقایسه نتایج آنها با مدل HEC – HMS در حوضه آبریز رودخانه اعظم هرات در استان یزد است. داده های مورد استفاده در این تحقیق شامل بارندگی روزانه به همراه دبی روزانه و لحظه ای رودخانه مزبور طی یک دوره آماری 24 ساله (1361-1385) است. ابتدا بارش نگارهای چندین پیشامد بارندگی و آبنمودهای رواناب آنها مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا و استفاده از تابع تبدیل سیگموئید آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار (RMSE) در خروجی های آن بود. مدل HMS به روش پیشنهادی SCS و شماره منحنی (CN) اجرا شد. برای ارزیابی کارایی شبکه عصبی مصنوعی، داده های شبیه سازی شده و مشاهده ای مربوط به کل دبی و حجم رواناب، دبی ها و زمانهای اوج مقایسه شدند. یافته های تحقیق نشان می دهد که ضرایب همبستگی کل دبی های مشاهده ای و برآورد شده شبکه عصبی 978/0 و مدل HMS 823/0 است و خروجی شبکه نسبت به خروجی مدل از دقت بیشتری برخوردار است. ضرایب همبستگی مربوط به حجم رواناب برآورد شده و دبی اوج به ترتیب برای شبکه 986/0 و 981/0 و برای مدل 979/0 و 972/0 به دست می آید. مقایسه زمان اوج آبنمودهای واقعی با موارد پیش بینی شده ANN و HMS نشان می دهد که دقت شبکه در این مورد نیز به مراتب از دقت مدل استفاده شده بیشتر است و ضرایب همبستگی شبکه 833/0 و مدل 491/0 برآورد می شود. مقایسه عملکرد شبکه و مدل به کار رفته نشان می دهد که در تمام پارامترهای مورد نظر دقت شبکه بیشتر از مدل HMS است. با انجام آزمون t با سطوح احتمال 95 و 99 درصد، اختلاف معنی داری میان اندازه های مشاهده ای و شبیه سازی شده مربوط به همه پارامترهای مورد بررسی مشاهده نشد.