کاربرد مدل های هوش مصنوعی و سری زمانی در تخمین رواناب (مطالعه موردی: قسمتی از حوضه آبریز رودخانه هلیل)

پیش بینی دقیق رواناب و سیلاب برای جلوگیری از خسارتهای جانی و مالی یکی از چالش برانگیزترین کارها در مطالعات هیدرولوژیکی یک منطقه می باشد. از این رو، توسعه مدل های دقیق پیشبینی از قبیل روش های هوش مصنوعی مورد توجه بیشتر محققین قرار گرفته است.

در این تحقیق به بررسی کارآیی 3 مدل ANN، GMDH و ARIMA جهت شبیه سازی سیلاب قسمتی از حوضه رودخانه هلیل رود در استان کرمان پرداخته شد. مدل ANN یک روش مدل سازی غیرخطی است که به مرور عملکرد خود را بهبود می بخشد. GMDH یک مدل هوش مصنوعی با ویژگی های قابلیت خودسازماندهی اکتشافی است که در انتهای آن سیستمی پیچیده با عملکرد مطلوب شکل می گیرد. کد نوشته شده ARIMA به ساخت مدلی برای توصیف ساختار داده ها و سپس پیش بینی سری زمانی می پردازد. داده های ورودی به مدل های فوق شامل دبی، بارش، دما، باد و رطوبت ماهانه بودند و مقادیر رواناب شبیه سازی شده با مقادیر مشاهداتی مقایسه گردید.

جهت ارزیابی دقت مدل ها از شاخص های آماری RMSE، MSD و MAE استفاده شد و نتایج بدست آمده نشان داد مدل ((m3/s) 042/0=RMSE=، 2(m3/s) 001/0MSD و (m3/s) 027/0=MAE) ANN توانست رواناب را با دقت بالاتری  در مقایسه با مدل (068/0=RMSE=، 005/0 MSD و 056/0=MAE) GMDH و سری زمانی (096/0RMS=E، 009/0=MSD و 063/0=MAE) ARIMA در حوضه مورد مطالعه برآورد کند. میانگین خطا در تخمین رواناب با مدل ANN در مقایسه با مقادیر تخمین زده شده با مدل GMDH و ARIMA به ترتیب 23/38 و 25/56 درصد کاهش یافت.

باتوجه به نتایج بدست آمده در این مطالعه، مدل شبکه عصبی مصنوعی به سبب توانایی ساختاری مناسب جهت پیدا کردن رابطه غیرخطی بین داده های ورودی و خروجی، توانسته است کارایی بهتری نسبت به دو مدل دیگر از خود نشان دهند.