بررسی کارایی شبکه های عصبی پرسپترون چند لایه و زمان تاخیری در تخمین جریانهای سطحی حوزه ی آبخیز زاینده رود

رواناب نقش مهمی در مدیریت حوزه های آبخیز ایفا می کند و برنامه ریزی و ایجاد زمینه مناسب برای بهبود وضعیت حوزه های آبخیز بستگی زیادی به آن دارد. از طرفی تخمین رواناب در حوزه های آبخیزاهمیت زیادی در مطالعات منابع آب، تعیین و طراحی سازه های کنترل سیل دارد. با توجه به قابلیت شبکه های عصبی مصنوعی در تخمین رواناب، کم هزینه بودن، انعطاف پذیری و اهمیتی که حوزه ی آبخیز سد زاینده رود در تامین آب مورد نیاز شهری، کشاورزی و صنعتی ایفا می کند، کارایی شبکه های عصبی در تخمین رواناب ماهانه زیرحوضه های بالا دست سد زاینده رود مورد بررسی قرار گرفت. در این تحقیق دو نوع مدل شبکه عصبی پرسپترون چند لایه (MLP) و مدل شبکه عصبی زمان تاخیری(TLNN) در زیرحوضه های پلاسجان، سمندگان و زاینده رود مورد بررسی قرار گرفت. نتایج بیانگر این بود که مدل TLNN علیرغم حساسیت زیاد در مرحله آموزش، از کارایی خوبی در تخمین رواناب برخوردار بوده و نسبت به مدلMLP از خطای کمتری برخوردار است. بطوریکه این شبکه ها با استفاده از ورودی هایی شامل 3تا 4ایستگاه بارانسنجی و 2تا 3 ایستگاه دماسنجی با آموزش مناسب می توانند بخوبی رواناب ماهانه را تخمین بزنند. میانگین خطای مطلق پیش بینی در مرحله تست برای سه ایستگاه اسکندری، مندرجان و قلعه شاهرخ با استفاده از روش TLNN به ترتیب برابر 5/0، 31/0 و 27/0 و همچنین در روش MLP نیز به ترتیب 5/0، 33/0 و45/0 بود. شبکه های عصبی زمان تاخیری ضمن داشتن انعطاف پذیری بسیار بالا، بخوبی توانایی شبیه سازی عکس العمل حوزه آبخیز نسبت به ورودی ها از جمله بارش و دما را دارند.