عملكرد حافظه مدل اتورگرسيو و شبكه هاي عصبي مصنوعي در پيش بيني جريان روزانه رودخانه ليقوان

امروزه پیش بینی جریان رودخانه ها اهمیت شایانی در مدیریت منابع آب، اتخاذ تدابیر مناسب در مواقع كمبود آب و خسارات احتمالی سیل وتوسعه پایدار دارد. حوضه آبریز لیقوان از زیرحوضه های معروف حوضه آبریز تلخه رود بوده كه مطالعات و پروژه های متعددی بر روی آن صورت گرفته است و بدلیل داشتن آمار كافی و دقیق در این بررسی انتخاب شده است. در این تحقیق از شبكه های عصبی مصنوعی و مدل اتورگرسیو برای تخمین جریان روزانه رودخانه لیقوان در قالب مقایسه عددی و ترسیمی بهره گرفته شده است. بدین منظور داده های جریان روزانه رودخانه لیقوان به مدت پنج سال آبی با استفاده از شبكه های عصبی مصنوعی و مدل سری زمانی (AR) مورد بررسی قرار گرفت. نتایج نشان داد كه مدل شبكه های عصبی مصنوعی با ساختار سه لایه (AR) سری زمانی و حافظه پنج روزه نسبت به سایر تركیب های شبكه عصبی از دقت بالاتری بهره مند است .بطوریكه برای دوره صحت سنجی در حافظه پنج روزه شبكه عصبی، با تعداد ۲ گره در لایه مخفی ، میزان خطا كمترین مقدار(0/0320) و بیشترین ضریب كارائی (98%) نسبت به سایر حافظه ها را به خود اختصاص داد . در مدل سری زمانی اتورگرسیو نیز برای دوره تاخیر زمانی شش روزه میزان خطا دارای كمترین مقدار خود نسبت به سایر حافظه ها (0/0417) . بیشترین ضریب كارائی (0/958) بوده است . در قیاش این دومدل بر اساس مقادیر خطا و ضرایب تبیین مدل شبكه های عصبی نتایج دقیق تری نسبت به مدل سری زمانی دارد.در خصوص عملكرد حافظه، نتایج نشان می دهند كه شبكه های عصبی مصنوعی بدلیل ساختار آن، نسبت به تغییرات حافظه حساسیت زیادی ندارد، در حالی كه در مدل اتورگرسیو تا حافظه سه روزه این حساسیت كم بوده و از حافظه روز چهارم به بعد كاهش خطا افت قابل توجهی دارد.