كاربرد هوش مصنوعي در شبيه سازي توزيع مكاني چگالي برف در مناطق نيمه خشك (مطالعه موردي: سرشاخه هاي دشت يزد - اردكان)

Application of artificial intelligence in simulation of spatial distribution of snow density in semi-arid regions: A case studyof upstream regions of Yazd-Ardakan plain

مناطق خشك و نيمه خشك همواره با بحران آب مواجه بوده اند، به همين دليل ذخاير هرچند اندك برفي در سرشاخه هاي كوهستاني اين مناطق، نقش شايان توجهي در تغذيه و تعادل هيدرولوژيكي مناطق مذكور ايفا مي كنند. چگالي برف از جمله پارامتر هايي است كه به عنوان پارامتر مبدل عمق برف به آب معادل برف، اهميت فراواني دارد. در اين مقاله، كارآيي يكي از روش هاي هوش مصنوعي در شبيه سازي پراكنش مكاني چگالي برف در يكي از سرشاخه هاي دشت يزد – اردكان ارزيابي شده است. به همين منظور، ابتدا داده هاي چگالي برف با استفاده از نمونه بردار مدل مونت رز در 216 نقطه از منطقه سخويد يزد برداشت گرديد. سپس با استفاده از مدل رقومي ارتفاع و در محيط جغرافيايي ساگا 32 پارامتر ژئومرفومتري، به عنوان داده هاي ورودي استخراج شد. الگوريتم مورد استفاده در هوش مصنوعي، شبكه عصبي مصنوعي بوده كه جهت دستيابي بهينه به آن، مدل ها و توابع متفاوت با آرايش نورون هاي مختلفي بررسي گرديدند. بهترين شبكه به صورت 1-9-32 و حاوي مدل پرسپترون چند لايه و با الگوريتم پس انتشار خطا و تابع فعاليت سيگموئيد و خروجي خطي بود. نتايج پژوهش نشان داد كه ميزان ضريب همبستگي داده هاي مشاهداتي و برآورد شده 86 درصد و مجذور ميانگين مربع خطا برابر 5/1 است. بدين ترتيب استفاده از ابزارهاي هوش مصنوعي به خوبي توانسته است توزيع مكاني چگالي برف را برآورد نمايد.

Water crisis is one of the most important problems in arid and semi-arid regions, so snowfall occurring in upstream parts of mountainous basins has an enormous role in hydrological balance. In this paper, the spatial distribution of snow density in Sakhvid, Yazd has been studied using an artificial neural network. Snow density is an important parameter for assessment of water resources in mountain basins, and, with thecorresponding data and snow depth, snow water equivalent values can be calculated. For this purpose, 216 in-situ snow density data were measured using the Mt. Rose sampler. Then, using SGA-GIS software, 32 geo-morphometric parameters were calculated from DEM. The best network was 1-9-32 with a multilayer perceptron model, the back-propagation algorithm,the sigmoid activation function, and a linear output. In order to evaluatethe network, the ANN correlation coefficient and the root mean square error (RMSE) were used. The results showed that the correlation coefficient and RMSE of the observed and estimated data were 86 percent and 5.1 respectively. So, application of artificial intelligent can simulate the spatial distribution of snow density very well.