كاربرد مدل‌هاي هوش مصنوعي و سري زماني در تخمين رواناب (مطالعه موردي: قسمتي از حوضه آبريز رودخانه هليل)

مقدمه: پيش بيني دقيق رواناب و سيلاب براي جلوگيري از خسارتهاي جاني و مالي يكي از چالش برانگيزترين كارها در مطالعات هيدرولوژيكي يك منطقه مي باشد. از اين رو، توسعه مدل هاي دقيق پيشبيني از قبيل روش هاي هوش مصنوعي مورد توجه بيشتر محققين قرار گرفته است.روش : در اين تحقيق به بررسي كارآيي 3 مدل ANN، GMDH و ARIMA جهت شبيه سازي سيلاب قسمتي از حوضه رودخانه هليل رود در استان كرمان پرداخته شد. مدل ANN يك روش مدل سازي غيرخطي است كه به مرور عملكرد خود را بهبود مي بخشد. GMDH يك مدل هوش مصنوعي با ويژگي هاي قابليت خودسازماندهي اكتشافي است كه در انتهاي آن سيستمي پيچيده با عملكرد مطلوب شكل مي گيرد. كد نوشته شده ARIMA به ساخت مدلي براي توصيف ساختار داده ها و سپس پيش بيني سري زماني مي پردازد. داده هاي ورودي به مدل هاي فوق شامل دبي، بارش، دما، باد و رطوبت ماهانه بودند و مقادير رواناب شبيه سازي شده با مقادير مشاهداتي مقايسه گرديد.يافته ها: جهت ارزيابي دقت مدل ها از شاخص هاي آماري RMSE، MSD و MAE استفاده شد و نتايج بدست آمده نشان داد مدل ((m^3/s)0.042RMSE=، (m^3/s)^2 0.001MSD= و (m^3/s)0.027MAE=) ANN توانست رواناب را با دقت بالاتري  در مقايسه با مدل (0.068RMSE=، 0.005 MSD= و 0.056MAE=) GMDH و سري زماني (0.096RMSE=، 0.009MSD= و 0.063MAE=) ARIMA در حوضه مورد مطالعه برآورد كند. ميانگين خطا در تخمين رواناب با مدل ANN در مقايسه با مقادير تخمين زده شده با مدل GMDH و ARIMA به ترتيب 38.23 و 56.25 درصد كاهش يافت.نتيجه گيري: باتوجه به نتايج بدست آمده در اين مطالعه، مدل شبكه عصبي مصنوعي به سبب توانايي ساختاري مناسب جهت پيدا كردن رابطه غيرخطي بين داده هاي ورودي و خروجي، توانسته است كارايي بهتري نسبت به دو مدل ديگر از خود نشان دهند.