مدلسازي بارش رواناب با استفاده از شبكه عصبي مصنوعي و مدل HEC-HMS و ارزيابي آنها (مطالعه موردي: حوضه آبخيز آدينان سقز)

يكي از چالشها و اهداف عمده در هيدرولوژي مهندسي تعيين يك مدل بارش- رواناب مناسب جهت مشخص كردن پاسخ حوضه نسبت به يك بارش مشخص با استفاده از پارامترهاي موجود در مدل است. پاسخ حوضه تابعي از مشخصات حوضه آبريز و مقادير پارامترهاي مدل است. در پژوهش حاضر براي مدلسازي فرايند بارش رواناب در سطح حوضه آدينان با بهره گيري از داده هاي مشاهده اي از مدل HEC-HMS و روش شبكه هاي هوشمند (شبكه عصبي مصنوعي) ANN استفاده شد و مورد بررسي قرار گرفت. مقادير رواناب برآورد شده از مدل HEC-HMS و مدل هاي هوشمند عصبي مقايسه گرديد. در اين تحقيق عملكرد مدل ها از معيارهاي عملكرد شامل ضريب همبستگي (R2) ميانگين مربعات خطا (RMSE) و Nash-sutcliffe استفاده شد. با بررسي عملكرد مدل HEC-HMS ضريب همبستگي در مرحله واسنجي و صحت سنجي 0/73 و 0/72 به دست آمد همچنين معيار NASH و RMSE به ترتيب در دو مرحله واسنجي و صحت سنجي 0/736 و 15/81 و 0/713 و 10/89 به دست آمد. شبكه ي عصبي مصنوعي با الگوريتم پس از انتشار خطا در بهترين ساختار خود ميانگين مربعات خطاي مدل در مراحل مختلف آزمايش، صحت سنجي و آزمون به ترتيب 0/41 و 0/79 و 0/53 و ضريب همبستگي 0/98 و 0/98 و 0/96 مي باشد كه نشان از همبستگي بالا و معني داري بين مقادير مشاهده اي و مقادير پيش بيني دارد. در نتيجه ميان دو روش مقايسه عملكرد شبكه و مدل به كار رفته شده نشان مي دهد كه دقت ANN بيشتر از HEC-HMS است.