مقایسه مدل های شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش بینی آبدهی به کمک داده های سنجش از دور

هدف تحقیق حاضر، مقایسه توانایی مدل شبکه عصبی مصنوعی و مدل همبستگی خطی چند متغیره در پیش بینی شش ماه آینده جریان ورودی به مخزن سد شاهچراغی در استان سمنان، بر اساس داده های ماهانه آبدهی، دمای متوسط، بارش و سطح پوشش برف چند ماه قبل می باشد. برای تعیین سطح پوشش برف، از تصاویر سنجنده AVHRR ماهواره NOAA استفاده گردیده و جداسازی سطح برف با استفاده از روش جداسازی پدیده ها بر اساس حد آستانه هیستوگرام آنها در باندهای مرئی و حرارتی انجام شده است. یک لایه مخفی و تابع انتقال سیگموئید و تابع آموزش لونبرگ-مارکوارت در ساختار مدل های شبکه عصبی مصنوعی استفاده گردیده است. پنج مدل شبکه عصبی مصنوعی دینامیک و پنج مدل همبستگی خطی چند متغیره با داده های ورودی متفاوت ساخته شده و نتایج آنها مقایسه شد. معیارهای انتخاب بهترین مدل، شامل جذر متوسط خطا(RMSE)، انحراف خطای میانگین(MBE)، میانگین قدرمطلق خطای نسبی (MARE)، حداکثر خطای نسبی (REmax) و ضریب همبستگی (R2) بوده و بهترین نتیجه با مدلی حاصل گردید که داده های بارش، آبدهی و سطح پوشش برف را به عنوان ورودی مدل استفاده کرده است. همچنین بهبود نتایج مدل منتخب نسبت به مدل همبستگی خطی چند متغیره که در تحقیقات قبلی برای پیش بینی جریان به کار رفته است، بررسی شده است. نتایج نشان می دهد شاخص خطای نسبی حداکثر در مدل شبکه عصبی 80% کمتر از مدل رگرسیون خطی چند متغیره است.