مجید خزایی؛ محمد رضا میرزایی
چکیده
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروریترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدلهای مختلف شبکه عصبی مصنوعی (MLP وRBF) و سریهای زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای ...
بیشتر
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروریترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدلهای مختلف شبکه عصبی مصنوعی (MLP وRBF) و سریهای زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سالهای 1356 تا 1386 پیریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و پارامترهای تعداد تکرار، ضریب یادگیری، تعداد نرون مخفی و خطای هدف که با استفاده از آزمون و خطا بهدست آمده، استفاده شد. همچنین، در روش آرما از بین مدلهای مختلف روشی که دارای کمترین میزان خطا و معیار سنجش آکائیک (AIC) بود بهعنوان مدل بهینه انتخاب شد. نتایج مدلسازی سریهای زمانی با استفاده از مدلهای آنالیز روند، هالت وینترز و باکس-جنکینز (آرما) حاکی از دقت بیشتر مدلهای آرما (2 و 2) (R=0.77) و هالت وینترز (R=0.72) بوده است. در مقایسه بین مدلهای شبکه عصبی مصنوعی، مدل MLP با میانگین ضریب همبستگی 0.83 نسبت به مدل RBF با میانگین ضریب همبستگی 0.81 دقت بیشتری در پیشبینی دبی نشان داده است. در مجموع دقتسنجی مدلها براساس آمارههای ریشه میانگین مربعات خطا و ضریب همبستگی حاکی از دقت بیشتر شبکه عصبی مصنوعی (ANN) نسبت به مدلهای سری زمانی (ARMA) میباشد. همچنین، ارزیابی دقت در مدلهای مختلف حاکی از دقت بیشتر مدل یک (R=0.86 و RMSE=6.45) با ورودیهای دبی یک ماه تا چهار ماه قبل بوده است. بهترین معماری در روش شبکه عصبی مصنوعی نوع MLP، مدل شماره 1 با آرایش 1-20-4 بهترتیب با چهار نرون در لایه ورودی، 20 نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.