شبیه سازی و پیش‌بینی جریان رودخانه‌ها با استفاده از شبکه عصبی و مدل فوریه

  مقاله حاضر به بررسی نحوه عملکرد شبکه‌های عصبی MLP در ارتباط با خروجی مدل فوریه، FSAM، می‌پردازد. مدل FSAM که مدل شبیه ساز بارش است، تحلیل مدل‌های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای ARIMA را در درون خود دارد، ارائه می‌دهد. کاربرد همزمان شبکه‌های عصبی MLP و مدلFSAM، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می‌سازد. بدلیل اینکه یکی از متغیرهای مستقل توابع شبیه سازی دبی، دما می‌باشد شبیه سازی دما توسط دوازده شبکه عصبی MLP برای شبیه سازی دوازده ماه سال بطور مجزا انجام گردید، تا بدین ترتیب بتوان از این شبکه‌ها برای تخمین دما در ماه‌هایی که پیش‌بینی در آنها مد نظر است و داده‌های دما موجود نمی‌باشند، استفاده کرد. این مقاله نتایج و تحلیل علمی لازم را ارائه خواهد داد.