"گزارش فني" مقايسه كارايي مدل IHACRES و شبكه عصبي مصنوعي براي پيش بيني جريان رودخانه سيوند

تعيين دقيق جريان رودخانه در آبخيزهاي فاقد آمار از چالش­هاي مهم در هيدرولوژي مي­ باشد. در اين راستا، با توجه به تنوع مدل­هاي هيدرولوژيكي موجود، انتخاب مدل مناسب مستلزم ارزيابي عملكرد مدل­ها در شرايط هيدرولوژيكي هر منطقه است. هدف از اين پژوهش مقايسه كارايي روش شبكه عصبي مصنوعي (ANN) و مدل يكپارچه IHACRES براي پيش­ بيني جريان رودخانه سيوند در حوضه طشك- بختگان واقع در استان فارس به ­عنوان يك منطقه گرم و خشك مي ­باشد. از داده ­هاي سال­هاي 1361 تا 1374 براي واسنجي و 1375 تا 1391 براي صحت­ سنجي مدل استفاده شد. براي ارزيابي قابليت شبكه­ هاي عصبي­ مصنوعي، از جعبه ابزار مربوط به شبكه عصبي نرم­افزار متلب استفاده شد. مقادير جريان شبيه ­سازي شده بوسيله مدل IHACRES براي دبي سيلابي در دوره واسنجي بيشتر و در دوره صحت ­سنجي، كمتر از مقادير مشاهداتي بود. مقادير ضريب تبيين در فرايند واسنجي و صحت ­سنجي اين مدل به­ترتيب 62/0 و 54/0 بود. كمترين و بيشترين مقدار ضريب تبيين شبكه عصبي ديناميك در دوره­ هاي واسنجي و صحت ­سنجي به ­ترتيب 88/0 و 94/0 بود در حالي­كه براي شبكه­ هاي عصبي ­ايستا به­ترتيب 51/0 و 69/0 بود. براساس نتايج، شبكه­ هاي عصبي مصنوعي با دقت بيشتري نسبت به مدل IHACRES، جريان ماهانه رودخانه سيوند را پيش­ بيني كردند.

The accurate determination of river flow in watersheds without sufficient data is one of the major challenges in hydrology. In this regard, given the diversity of existing hydrological models, selection of an appropriate model requires evaluation of the performance of the hydrological models in each region. The objective of this study was to compare the performance of artificial neural network (ANN) and IHACRES integrated model to predict the flow of sivand river in Tashak Bakhtegan watershed located in Fars province as a warm and arid area. Calibration and validation procedures were done by using data from 1982-1995 and 1996- 2012, respectively. Neural Network Toolbox of MATLAB software were used to evaluate the capabilities of neural networks. In both calibration and validation periods, simulated flows by the IHACRES model for flood flows, were less than the observed data. The determination coefficients of the model during calibration and validation were 0.62 and 0.54, respectively. The determination coefficients of dynamic neural networks and static neural networks during calibration and validation ranged from 0.88- 0.94 to 0.51- 0.69, respectively. The results demonstrated that artificial neural networks predicted monthly flow of sivand river more accurately than the IHACRES model.