مدل سازي و رونديابي ميزان تبخير سطحي از مخزن سد اميركبير با استفاده از روش شبكه عصبي و آزمون من - كندال

Modeling and routing of surface evaporation from the Amir Kabir reservoir using the Mann-Kendall and neural network technology

تبخير به عنوان يكي از پارامترهاي طبيعي به علت نقش تعيين كننده اي كه در خروج آب از دسترس بشر دارد، همواره مورد توجه كارشناسان و محققين بوده است. در اين پژوهش، سعي بر اين است تا با به كارگيري مدل شبكه عصبي مصنوعي در برآورد تبخير از سطح درياچه سد اميركبير، ميزان دقت اين مدل مورد ارزيابي قرار گيرد. در اين راستا، از آمار 18 ساله، از سال 1376 تا 1393 شمسي استفاده شد و پس از انجام آزمون و خطاهاي متوالي بهترين ساختار براي محاسبه ميزان تبخير از سطح درياچه سد اميركبير انتخاب شد. به طوري كه، اين ساختار در لايه اول، چهار و لايه دوم، داراي پنج نورون مي باشد كه در طي 1000 تكرار براي محاسبه آن، بهترين نتيجه به دست آمد. همچنين، در مقاله حاضر، ضرايب آماري به دست آمده از تحليل با استفاده از شبكه عصبي مصنوعي در انتخاب بهترين ساختار مورد توجه قرار گرفت كه در اين ساختار ضريب همبستگي با مقدار 0. 9365 داراي بيشترين مقدار در بين آزمون هاي ديگر بوده و مقادير خطا براي داده هاي آموزش و آزمايش نيز به ترتيب برابر با 0. 0311 و 0. 0321 مي باشد. علاوه بر اين، با استفاد از آزمون من-كندال از داده هاي روزانه 15 ساله، روند كلي داده هاي مؤثر بر تبخير مشخص شد. در روش من-كندال، نمودارهاي تغييرات دما، سرعت باد و بارش داراي روند معني داري نبوده و در آن ها 1. 96> Uا> 1. 96-مي باشد. در نمودار تغييرات سطح درياچه در بين سال هاي 1379 تا 1393، مقدار U از عدد 1. 96 تجاوز كرده است كه نشانه افزايشي بودن روند در اين دوره مي باشد كه پس از اين سال ها مجدداً روند نزولي حاكم شده است. در روند ماهانه تغييرات تبخير نيز بين سال هاي 1379 تا 1393 نمودار U از محدوده 1. 96-خارج شده كه نشانه حاكميت روند منفي در اين بازه زماني مي باشد.

Evaporation as a natural parameter due to the release of water from the upper part of mankind has always been of interest to scholars and researchers. In this study, we try to apply the artificial neural network model to estimate evaporation from the Amir Kabir dam and to evaluate the model accuracy. In this context, 18 years data from 1997 to 2014 were used and after consecutive try and error, the best structure for computing the amount of evaporation from the surface of the dam was selected. This structure has five neurons in the first, fourth and second layers that showed the best result in 1000 replications. Also, statistical coefficients obtained from the analysis using artificial neural network was considered in choosing the best structure with the amount of 0.9365 which was the highest amount among other tests and the amount of test and training data error were 0.0321 and 0.0311, respectively. In addition, general trend of effective data on evaporation was determined, using Mann-Kendall test on 15 years daily data. In Mann-Kendall method, temperature changes, wind speed and precipitation graphs had no significand trend and showed -1.69< U <1.69. Water level among 2000 to 2014 U has exceeded from 1.69 that shows the rising trend in this period and has decreased again after all these years. In the trend of evaporation monthly changes between 2000 and 2014 U has exceeded out of -1.69 that shows sovereignty of negative trend in this period.