شبیه‌سازی فرایند بارش – رواناب در زیرحوضه‌ی جنوبی رودخانه‌ی قره‌سو با استفاده از مدل شبکه‌های عصبی مصنوعی(ANNs)

در سال‌های اخیر، عدم کنترل به موقع روانابِ حاصل از بارش‌های غیر مترقبه، عامل تهدید کننده‌ای در وقوع سیل محسوب می‌شود. پیش‌بینی 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، پیش‌بینی رواناب امری اجتناب ناپذیر به نظر می‌رسد زیرا با اطلاع از میزان و شدّت بارندگی، می‌توان امکان وقوع سیل را پیش‌بینی و اقدامات لازم را به عمل آورد. حوضه‌ی آبریز رودخانه‌ی قره‌سو به ویژه زیرحوضه‌ی جنوبی این رودخانه، از حوضه‌های سیل‌خیز 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 ماهانه‌ی دما، رطوبت نسبی، بارندگی، تبخیر) و رواناب سال‌های قبل و با بهره‌گیری از مدل شبکه‌های عصبی مصنوعی(ANNs) مدل‌سازی گردید. برای انجام محاسبات، از نرم‌افزار مت‌لب 7 استفاده شد. ورودی‌های شبکه، داده‌های متوسط ماهانه‌ی متغیرهای بارش، دبی رودخانه، دما، رطوبت نسبی و تبخیر سال‌های قبل و خروجی شبکه، مقادیر متوسط پیش-بینی شده‌ی دبی ماهانه‌ی زیرحوضه‌ی جنوبی رودخانه‌ی قره‌سو می‌باشد. این آمار، بازه‌ی زمانی سال‌های 1972 تا 2010 را در بر می‌گیرد. حدود 90 درصد داده‌ها (35 سال یا 420 ماه) برای آموزش و 10 درصد باقی‌مانده (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 شبکه‌ی‌ عصبی نشان داد که این مدل، توانایی بهتر و دقت بالاتری برای شبیه‌سازی بارش - رواناب نسبت به روش‌های آماری معمول دارد. نتایج همچنین نشان داد که با افزایش فاکتورهای ورودی به شبکه، دقت بالاتری در پیش‌بینی به دست می‌آید. میزان ضریب همبستگی شبکه، 998/0 و میانگین خطای هر شبکه با داده‌های واقعی، 6/2 درصد به دست آمد. نتایج شاخص‌های عملکرد شبکه (ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مطلق خطا و ضریب همبستگی) نیز نشان دادند که مقادیر ارائه شده برای پیش‌بینی رواناب حوضه‌ی مورد مطالعه، قابل قبول است.