شبيه سازي فرآيند بارش-رواناب با استفاده از شبكه عصبي مصنوعي در حوزه آبخيز كوركورسر نوشهر

Simulation of Rainfall-Runoff Process Using Artificial Neural Network in Kurkursar Watershed,Nowshahr

براي برنامه ريزي شهري، كاربري اراضي و مديريت منابع آب حوزه آبخيز فراهم آورد كه نقش پيش بيني صحيح پديده هاي هيدرولوژيك، مانند فرآيند بارش-رواناب مي‌تواند اطلاعات موثري مهمي در كاهش اثرات سيلاب و خشكسالي بر سيستم‌هاي منابع آب دارد. هدف از اين تحقيق بررسي كارايي مدل شبكه عصبي مصنوعي در شبيه سازي فرآيند بارش-رواناب و شناسايي تأثير رواناب به عنوان ورودي در كارايي مدل بوده است. نتايج نشان مي دهد كه مدل MLP با مقدار RMSE برابر 01105/0، مقدار ضريب كارايي ناش ساتكليف برابر 72883/0 و ضريب همبستگي برابر 85728/0، با خطاي كم و همبستگي دقت وكارايي بالا مي‌تواند فرآيند بارش - رواناب را مدل سازي و پيش بيني كند. تركيب هايي كه رواناب را نيز به عنوان ورودي دارند نسبت به تركيب هايي كه فقط بارش را به عنوان ورودي لحاظ مي كنند كارايي بيشتري داشتند. بهترين پيش بيني با تركيب (بارش روز جاري، بارش روز قبل، دبي روز قبل، دبي دو روز قبل و دبي سه روز قبل) انجام مي شود و در صورت نبود داده هاي دبي، تركيب (بارش جاري و بارش روز قبل) نيز به طور قابل قبولي مي تواند دبي خروجي را پيش بيني كند.

The correct prediction of hydrological phenomena such as rainfall–runoff process can provide effective information for city planning, land use and water resource management of a watershed. It also plays an important role in mitigating the impacts of flood or drought on water resources systems. This research has been conducted in order to investigate the efficiency of Artificial Neural Network in simulating the rainfall-runoff process and identify the effect of using runoff as an input in the model efficiency. The results indicate that MLP model with RMSE=0.01105, NSE=0.72883 and R=0.85728 could model and simulate rainfall-runoff process with low error and high precision. The compositions which include runoff as an input as well as rainfall showed better performance than those which had only rainfall as an input. The best composition of rainfall and runoff was (rainfall at the current time, 1-day lag rainfall, 1-day lag discharge, 2-day lag discharge, and 3-day lag discharge). In the case of lack of discharge data, the composition (rainfall at the current time and 1-day lag rainfall) can predict outlet discharge in an acceptable manner.