تحلیل و ارزیابی عملکرد شبکه عصبی مصنوعی در تخمین رواناب نظر به تغییر اقلیم

موضوع تخمین و برآورد رواناب یکی از مهم ترین و چالش برانگیزترین مراحل مطالعات و پروژه‎های عمرانی-آبی و یکی از بنیادی‎ترین موضوعات کاربردی در علم هیدرولوژی است. علاوه بر نیاز به این اطلاعات برای پروژه‎ها، در برنامه‎ریزی، مدیریت و سایر اقدامات مرتبط، وجود خطای بالا در برآورد رواناب می‎تواند سبب بروز مشکلات و مخاطرات جدی گردد. برآورد کمتر از میزان واقعی رواناب ممکن است سبب خسارات جانی و مالی ناشی از سیلاب و برآورد بیشتر آن، سبب مشکلات و مخاطرات ناشی از عدم پیش بینی خشکسالی و برنامه ریزی صحیح برای مواجه با آن شود. به علت اهمیت موضوع در توسعه پایدار، به نظر می‎رسد همواره روش‎های جدید جهت تسریع یا افزایش دقت برآورد رواناب می‎تواند موضوع قابل توجهی برای پژوهش های جدید باشد. در این پژوهش به عنوان گام ابتکاری با استفاده از مدل با قابلیت داده‎کاوی، تلاش شد تا با کمک کمترین پارامترها، مدل‎های برآورد رواناب با عملکردی قابل قبول و مطلوب ایجاد شود و نظر به تغییر اقلیم احتمالی، عملکرد و انعطاف‎پذیری مدل‎های برتر در سری زمانی پیوسته‎ و جدیدی از داده‎های مشاهداتی مورد تحلیل و ارزیابی نیز قرار گیرد. در تحلیل و ارزیابی عملکرد 18263 مدل برآورد رواناب ساخته شده توسط شبکه‎های‎ عصبی مصنوعی مختلف با استفاده از 3996 ورودی تولیدشده توسط داده‎کاوی، شبکه‎های عصبی ftdnn و fgam با الگوریتم آموزش rprop و تابع خروجی tanh با توجه به ضریب همبستگی و معیارهای اعتبارسنجی mae، rmse، nmae و nrmse در میان پنج مدل برتر نهایی فراوانی بیشتری از خود نشان دادند. در سنجش مدل‎های برتر نهایی توسط داده‎های مشاهداتی جدید و ناآشنا برای مدل ها، مدل مبتنی بر شبکه عصبی fgam بهترین نتایج ازنظر معیارهای اعتبارسنجی یادشده و مدل مبتنی بر ftdnn بهترین انطباق با روند کلی داده‎های مشاهداتی را نشان دادند. پس از تعیین مدل منتخب شبکه عصبی جهت تخمین رواناب، با استفاده از مدل‎های aogcm تلاش شد تا ضمن پیش‎بینی آثار تغییر اقلیم در حوضه موردمطالعه، نسبت به تخمین رواناب در دوره بلندمدت آتی اقدام شود که نتایج حاکی از عملکرد مطلوب‎تر مدل¬های hadcm3 و echam5 نسبت به سایر مدل‎های بررسی شده تحت سناریوی انتشار a2 در منطقه مطالعاتی بود. با توجه به نتایج کلی پژوهش که با استفاده از خروجی‎های مدل hadcm3 جهت بررسی تغییر اقلیم و مدل منتخب تخمین رواناب ایجادشده توسط شبکه عصبی مصنوعی به دست آمده است، به نظر می‎رسد با توجه به کاهش بارش، افزایش دما و تغییر در الگوی توزیع و میزان رواناب منطقه مطالعاتی در دوره‎های آتی، جهت مقابله، مدیریت و کنترل بحران‎های محتمل، در مواقع مواجه با کاهش قابل توجه در میزان رواناب، نیاز به برنامه ریزی و مدیریت بهتر منابع آب در دسترس، خصوصاً در زمان‎های با رواناب بیشتر، به شدت احساس می‎شود. اهمیت دیگر این پژوهش در آن است که علاوه بر نتایج موردنظر، کلیه پارامترهای برتر ورودی به دست آمده توسط داده‎کاوی و مدل‎های برتر هر اجرا می‎تواند به عنوان دستمایه و ابزاری کاربردی، در پژوهش‎های جدید و نوآورانه دیگر مورداستفاده قرار گیرد.