تخمین میزان رواناب حوضه کن با استفاده از شبکه عصبی مصنوعی

رواناب یکی از اجزای ضروری محاسبه فرایندهای منابع آب و مسئله ای اصلی در هیدرولوژی است. مدل های مفهومی زیادی برای پیش بینی میزان رواناب مطرح شده اند که عمدتا نیازمند داده های توپوگرافی و هیدرولوژیکی هستند. روش های مرسوم گذشته برای نواحی ای که داده های هیدرولوژیکی کافی ندارند، نامناسب اند. تخمین رواناب، فرایندی غیرخطی و از نظر ز مانی و مکانی به طور کامل تصادفی است و شبیه سازی آن با مدل ساده به راحتی امکان پذیر نیست. امروزه استفاده از شبکه های عصبی مصنوعی در مواردی که کمبود داده ها محسوس است، روش مناسبی به شمار می آید. در پژوهش حاضر از داده های بارش، دما و دبی ایستگاه های حوضه کن در بازه زمانی 1375 تا 1385 و همچنین خصوصیات فیزیوگرافی حوضه مورد مطالعه به عنوان ورودی شبکه عصبی برای پیش بینی رواناب استفاده شد. بدین منظور به صورت تصادفی 80 درصد داده ها برای آموزش و 20 درصد داده ها برای تست و اعتبارسنجی شبکه اختصاص داده شدند. به منظور انتخاب شبکه بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی، و تعدادی نرون مخفی مختلف بین 1 تا 9 نرون استفاده شد. نتایج پژوهش پس از آزمون شبکه با لایه های پنهان و با توابع یادگیری مختلف آشکار ساختند که استفاده از داده های بارش، دما و دبی، و تابع آموزشی LM و تابع انتقال Tansig و چهار نرون مخفی، بهترین ساختار را برای تخمین رواناب به دست می دهد. شبکه عصبی با این ساختار می تواند رواناب را با دقت (0.68≤R2≤0.78 و 0.53≥RMSE 0.03≤) برآورد کند.