مدل سازی بارش- رواناب روزانه با استفاده از شبکه های عصبی مصنوعی تحت ورودی های مختلف

هدف از این تحقیق بررسی توانایی سناریوهای مختلف شبکه های عصبی شامل شبکه های عصبی پرسپترون چند لایه(mlp) وشبکه های عصبی با پایه شعاعی(rbf) در مدل سازی فرآیند بارش- رواناب در مقیاس روزانه، که بطور عمده برای درک کنترل و مدیریت منابع آب مورد نیاز هستند، می باشد. تبدیل بارش- رواناب به علت تغییرات شدید زمانی و مکانی آن،یکی از پیچیده ترین مسائل در طبیعت می باشند، و وجود روابط قوی و غیرخطی میان متغیرها فرصت خوبی برای شبکه های عصبی مصنوعی(ann) در مدل سازی این فرآیند می باشد. در این تحقیق به توانایی ها و محدودیت های شبکه پرسپترون چند لایه(mlp) و شبکه با توابع پایه ای شعاعی(rbf) پرداخته شده است.پانزده بردار ورودی مختلف در چهار کلاس: بارش؛ بارش و رواناب؛ بارش، رواناب و دما و بارش، رواناب و تبخیر- تعرق برای آزمایش اثرات بردار داده های ورودی در مدل سازی بارش- رواناب بررسی می شوند. در این تحقیق دمای منطقه ای به روش تسین برآورد می شود، با استفاده از شبکه mlp درون یابی فضایی باران در کل منطقه و در هر روز انجام می شود و سپس با استفاده از تابع درون یاب محاسبه شده، بارش منطقه ای محاسبه، تبخیر- تعرق نیز با روش های تجربی تخمین زده می شود.سپس با استفاده از داده های بارش- رواناب محاسبه شده در حوزه سد کاردهو بر اساس شاخص های عملکرد مدل های مختلف، پنج نوع بردار ورودی به عنوان بهینه ترین مدل ها برای هر دو شبکه انتخاب میشوند. نتایج نشان میدهد که مطمئناً انتخاب نوع شبکه در دقت پیش بینی تأثیر دارد. شبکه یrbf نسبت به شبکه ی mlp عملکرد بهتری در طول آموزش داشتند، هرچند که در طول ارزیابی عملکرد مشابهی از خود نشان دادند.تحقیقات نشان می دهد که هر دو شبکه مزایا و محدودیت هایی دارند. برای مثال، شبکهmlp نیاز به روش آزمون و خطای طولانی برای تعیین تعداد بهینه گره های پنهان دارد، در حالی که برای شبکه rbf ساختار شبکه را می توان با استفاده از الگوریتم آموزش مناسب تعیین کرد.