بهره گيري ازشبكه عصبي- مصنوعي براي بهينه سازي مدل سري زماني (ARIMA) بارش– رواناب

پیش بینی صحیح و مناسب فرآیندهای هیدرولوژیكی میتواند كمك شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. خاصیت غیرخطی، عدم قطعیت ذاتی فرآیندهای استوكاستیك و پیچیده بودن مدلهای فیزیكی از دلایلی بوده است كه باعث شده محققان به سوی مدل های جعبه سیاه از جمله مدل سری زمانی و مدل شبكه عصبی مصنوعی روی آورند. در این مقاله یك مدل تركیبی كه متشكل از دو مدل شبكه عصبی و مدل خطی سری زمانی است، ارائه شده و ط ی آن به مطالعه موردی در زمینه مدلسازی فرآیند بارش رواناب حوضه اهر چای واقع در استان آذربایجانشرقی پرداخته شده است . مدل تركیبی شامل دو قسمت است؛ قسمت اول مدلسازی فرآیند بارش رواناب با الگوی سری زمانی است، قسمت دیگر برآورد و تخمین باقیمانده های سری زمانی با استفاده از شبكه های عصبی مصنوعی است كه مقدار پیش بینی رواناب را به مقدار واقعی نزدیك تر میكند. بر اساس نتایج بدست آمده از این تحقیق، دقت مدل تركیبی از مدل سری زمانی بیشتر است به طوریكه مدل تركیبی میتواند جا یگزین نسبتاً مناسبی برای پیشبینی فرآیند بارش-رواناب باشد كه یك مدل نیمه-خطی از فرآیندهای استوكاستیك را ارائه میدهد.