تعيين بهينه ترين ساختار شبكه عصبي مصنوعي براساس ژئومورفولوژيك حوضه در مدلسازي بارش رواناب ( مطالعه موردي: حوضه صوفي چاي)

پیش بینی و برآورد دقیق رواناب مستقیم به عنوان مهترین چالش در فرآیند مدیریت و مهندسی منابع آب، در عمل كار بسیار پیچیده ای است و تاكنون روشهای تجربی و فیزیكی متعددی برای برآورد آنها ارائه شده است. در دهه اخیر استفاده از مدلهای هوشمند شبكههای عصبی مصنوعی به دلیل قابلیت آنها در شبیه سازی و تخمین توابع غیر خطی، در مدلسازی فرآیندهای پیچیده هیدرولوژی، ازجمله فرآیند بارش رواناب افزایش یافته است. - در این پژوهش، با توجه به اینكه ارتباطات شبكههای عصبی و شبكه آبراهه ها هر دو ساختار شبكهای دارند و یك سیگنال را از ورودی به خروجی تطبیق میدهند یك مدل شبكه عصبی مصنوعی مبتنی بر خصوصیات ژئومورفولوژیكی ) 1GANN ( حوضه صوفی چای واقع در شمال غرب ایران ایجاد گردید. این مدل به صورت یك شبكه پرسپترون سه لایه با تعداد لایه های میانی برابر با تعداد مسیرهای ممكن جریان، طراحی شد كه در آن، وزن بین لایههای میانی و لایه خروجی از طریق مقادیر احتمال مسیرهای ممكنه جریان در شبكه هیدرولوژی حوضه، تعیین گردید. نتایج نشان داد ارتباط تنگاتنگی بین عوامل ژئومورفولوژیكی و هیدرولوژیكی وجود دارد و استفاده از خصوصیات ژئومورفولوژیكی در ساختار شبكه های عصبی مصنوعی باعث افزایش عملكرد این مدل در تعیین رواناب مستقیم به عنوان پاسخ هیدرولوژیكی حوضه نسبت به بارش مازاد میگردد.