شبیه سازی پیوسته بارش- رواناب با استفاده از شبکه های عصبی مصنوعی برمبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی(PMI)

آگاهی ازتوان طبیعی تولید رواناب درحوضه های آبریز یکی از نیازهای اساسی برای برنامه ریزی اصولی جهت بهره برداری بهینه از رواناب می باشد. از اینرو شبیه سازی بارش -رواناب در حوضه های آبریز از اهمیت زیادی برخوردار می باشد. در این مقاله به شبیه سازی پیوسته بارش-رواناب در حوضه سد مارون با شبکه های عصبی مصنوعی پرداخته شد تا توانایی و دقت این شبکه در برآورد رواناب نیز ارزیابی گردد. با توجه با اینکه تعداد روزهای بارندگی در هر سال کمتر از روزهای غیر بارندگی می باشد بنابراین رواناب خروجی از حوضه ناشی از دو مکانیسم متفاوت می باشد. در زمانهای همراه با وقوع بارش و چند روز بعد از آن، رواناب خروجی از حوضه عمدتا به صورت سیلابهای با دبی زیاد و تداوم کم می باشد. ولی در اکثر روزهای سال که بارندگی وجود ندارد، رواناب خروجی بصورت جریان پایه با مقادیر دبی کم و با تداوم زیاد می باشد. بنابراین در این تحقیق سعی بر ارائه یک مدل بارش-رواناب دو ضابطه ای شامل مدل مربوط به روزهای بارانی و مدل مربوط به روزهای غیربارانی شده است. همچنین متغیر های ورودی موثر در دبی جریان در حوضه مارون با استفاده از الگوریتم اطلاعات متقابل جزیی (PMI) تعیین شده اند. مقایسه مقادیر شاخص های آماری بین مدل تک ضابطه ای و مدل دوضابطه ای نشان می دهد که دقت مدل دوضابطه ای در برآورد دبی جریان در ایستگاه ایدنک بیشتر از دقت مدل تک ضابطه ای می باشد. بطوری که ضریب ناش-ساتکلایف برای مدل تک ضابطه ای و دوضابطه ای به ازای مرحله آزمون شبکه به ترتیب برابر با 86/0 و 94/0 می باشد.