بررسی مدل بارش - رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دومتغیره آماری (مطالعه موردی در حوزه آبخیز میناب)

پیش بینی جریان روزانه رودخانه یکی از مهم ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می توان از روش های متعددی برآورد نمود، که هر یک از روش ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل های بارش- رواناب بدلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران مسئله بسیار پیچیده می گردد. علاوه بر این بدلیل تغییرات مکانی بارش در یک حوزه این پیچیدگی بیشتر نیز می شود. شبکه عصبی یک تکنیک قابل انعطاف با ساختار ریاضی است که ما را قادر می کند بدون توجه به پدیده های طبیعی روابط پیچیده غیر خطی بین داده های ورودی وخروجی را تشخیص دهیم. این تحقیق با هدف کاربرد شبکه عصبی مصنوعی در پیش بینی دبی روزانه خروجی ایستگاه میناب انجام شد و سپس با مقدار برآورد شده از روش رگرسیون دومتغیره آماری مقایسه گردید. مدل شبکه ی عصبی مورد استفاده در این تحقیق مدل پس انتشار خطا (BP)1 با تابع محرک سیگموئید می باشد. نتایج حاصل از این تحقیق نشان داد، که مقدار خطای برآوردی در روش شبکه عصبی کمتر از روش رگرسیون آماری دو متغیره می باشد. بنابراین روش شبکه ی عصبی مصنوعی با ضریب همبستگی (r2) در سطح معنی داری 5درصد، 94/62 درصد و خطای RMSE 88/11 و هم چنین خطای MAE 7/3 از دقت بالاتری نسبت به روش رگرسیونی برخوردار بوده و در نتیجه در مدل سازی بارش– رواناب، روش شبکه ی عصبی مصنوعی بر روش رگرسیون دو متغیره آماری ارجحیت دارد. در نهایت با در نظر گرفتن سادگی ساختار، نوع اطلاعات مورد نیاز مدل های شبکه عصبی مصنوعی و سرعت بالای آنها، می توان نتیجه گرفت که دقت بدست آمده در بسیاری از پروژه ها به خصوص در مراحل اول طراحی که اطلاعات موجود چندان زیاد نیستند، بسیار مطلوب می باشد.