مدل سازی بارش-رواناب با استفاده از شبکه ی عصبی مصنوعی (مطالعه ی موردی : رودخانه ی بابل رود)

فرایند بارش- رواناب یکی از پیچیده ترین فرایندهای هیدرولوژی است. یکی از روش های نوین در مدل سازی بارش – رواناب، مدل های شبکه ی عصبی مصنوعی است. هدف از این تحقیق، مقایسه ی مدل های شبکه ی عصبی mlp و rbf و رگرسیون چند متغیره در مدل-سازی بارش- رواناب حوضه ی بابل رود است. به منظور انجام این تحقیق، آمار 28 سال (87-1360) بارندگی و رواناب ماهانه ی حوضه ی رودخانه ی بابل رود مربوط به ایستگاه های قرآن-طالار و کشتارگاه تهیه شد و پس از آزمون همگنی و نرمال سازی داده ها، مدل سازی برای دو ایستگاه قرآن طالار و کشتارگاه به صورت مجزا انجام شد. سپس معیارهای گزینش شبکه در مرحله ی آموزش و تست شامل rmse، mse، nmse، r و 2r به دست آمدند. در نهایت در هر کدام از مدل ها، داده های شبیه سازی شده و مشاهده شده مربوط به بارندگی و رواناب ماهانه مقایسه شدند. نتایج نشان داد که بهترین مدل در ایستگاه قرآن طالار، مدل rbf با الگوریتم مومنتم و تابع انتقال تانژانت هایپربولیک و 186 تکرار و 20 نرون در لایه ی میانی اول و 15 نرون در لایه ی میانی دوم با 707/0=r، 499/0=2r، 570/0= nmse، 207/0= rmse و 043/0=mse است. در ایستگاه کشتارگاه نیز، مدل شبکه ی عصبی rbf نسبت به سایر مدل ها دارای کارایی بالاتری بود و بهترین مدل با معماری 4 نرون در لایه ی میانی اول، 6 نرون در لایه ی میانی دوم و الگوریتم مومنتم و تابع انتقال بایاس و 137 تکرار با 716/0=r، 512/0=2r، 495/0=nmse، 13/0= rmse و 017/0=mse به دست آمد.