شبیه سازی فرایند بارش – رواناب در زیرحوضه ی جنوبی رودخانه ی قره سو با استفاده از مدل شبکه های عصبی مصنوعی(anns)

در سال های اخیر، عدم کنترل به موقع رواناب حاصل از بارش های غیر مترقبه، عامل تهدید کننده ای در وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدار معضل سیل نقش مهمی بر عهده دارد. به منظور جلوگیری از خسارات ناشی از سیل و سعی در کنترل و مهار آن، پیش بینی رواناب امری اجتناب ناپذیر به نظر می رسد زیرا با اطلاع از میزان و شدّت بارندگی، می توان امکان وقوع سیل را پیش بینی و اقدامات لازم را به عمل آورد. حوضه ی آبریز رودخانه ی قره سو به ویژه زیرحوضه ی جنوبی این رودخانه، از حوضه های سیل خیز کشور است لذا در این پژوهش، مقادیر رواناب این زیرحوضه، بر اساس آمار بلند-مدت 4 ایستگاه هیدرومتری نیر، پل الماس، گیلانده و نمین و با استفاده از برخی پارامترهای اقلیمی مؤثر بر میزان رواناب این حوضه (شامل متوسط ماهانه ی دما، رطوبت نسبی، بارندگی، تبخیر) و رواناب سال های قبل و با بهره گیری از مدل شبکه های عصبی مصنوعی(anns) مدل سازی گردید. برای انجام محاسبات، از نرم افزار مت لب 7 استفاده شد. ورودی های شبکه، داده های متوسط ماهانه ی متغیرهای بارش، دبی رودخانه، دما، رطوبت نسبی و تبخیر سال های قبل و خروجی شبکه، مقادیر متوسط پیش-بینی شده ی دبی ماهانه ی زیرحوضه ی جنوبی رودخانه ی قره سو می باشد. این آمار، بازه ی زمانی سال های 1972 تا 2010 را در بر می گیرد. حدود 90 درصد داده ها (35 سال یا 420 ماه) برای آموزش و 10 درصد باقی مانده (4 سال یا 48 ماه)، جهت تست شبکه به کار رفته و برای هر ماه، یک شبکه با خطای کمتر از 5 درصد طراحی شد. تحلیل نتایج خروجی شبکه ی عصبی نشان داد که این مدل، توانایی بهتر و دقت بالاتری برای شبیه سازی بارش - رواناب نسبت به روش های آماری معمول دارد. نتایج همچنین نشان داد که با افزایش فاکتورهای ورودی به شبکه، دقت بالاتری در پیش بینی به دست می آید. میزان ضریب همبستگی شبکه، 998/0 و میانگین خطای هر شبکه با داده های واقعی، 6/2 درصد به دست آمد. نتایج شاخص های عملکرد شبکه (ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مطلق خطا و ضریب همبستگی) نیز نشان دادند که مقادیر ارائه شده برای پیش بینی رواناب حوضه ی مورد مطالعه، قابل قبول است.