بررسي همبستگي ميان پارامترهاي اقليمي و سيلاب حوزه رودخانه مارون و پيش‌بيني سيلاب به كمك شبكه هوشمند عصبي

سيل از جمله بلاياي طبيعي مهمي است كه هر ساله باعث ايجاد خسارت هاي مالي و جاني شديدي به جوامع بشري مي شود. به ويژه در مناطقي همچون حوزه رودخانه مارون كه داراي تغييرات زياد دما و بارش است، همه ساله شاهد سيلاب هاي شديد و فراواني هستيم. پژوهش حاضر با هدف شناخت پارامترهاي اقليمي مؤثر بر سيلاب منطقه، مي تواند با كارآمدي شبكه عصبي مصنوعي، روش هاي مناسب تري را در پيش بيني اين رخداد به كار ببندد. روش به كار رفته در اين پژوهش جهت پيش بيني اين فرايند، شبكه هاي عصبي پرسپترون چند لايه و توابع پايه شعاعي مي باشد كه نتايج اين دو شبكه عصبي با رگرسيون چندگانه مقايسه گرديده است. بدين منظور داده هاي روزانه اقليمي چهار ايستگاه ايدنك، دوگنبدان، دهدشت و ياسوج شامل ميانگين دماي خشك، بيشينه دما، كمينه دما، تبخير، بارش، ميانگين رطوبت، كمينه رطوبت، بيشينه رطوبت و ... طي يك دوره 16ساله (اول مهر 1373 تا آخر شهريور 1388) به كار گرفته شد. با بررسي همبستگي بين اين پارامترهاي اقليمي و دبي رودخانه مارون پارامترهاي مؤثر بر سيلاب تعيين گرديد. از رگرسيون چندگانه جهت تعيين ورودي هاي مؤثر بر سيلاب و مقايسه نتايج با شبكه عصبي استفاده گرديده است. بررسي نتايج نشان مي داد كه شبكه عصبي پرسپترون چندلايه با الگوريتم آموزش پس انتشار خطا داراي همبستگي 0/73 در مرحله آموزش و 0/68 در مرحله آزمايش و ميزان نرمال شده ريشه ميانگين مربعات خطا (NRMSE) در مرحله آموزش 0/57 و در مرحله آزمايش 0/66 به عنوان بهترين مدل جهت پيش بيني سيلاب شناخته شد. مقايسه نتايج شبكه عصبي و رگرسيون نشان مي داد كه شبكه عصبي داراي ميزان همبستگي بالاتري نسبت به رگرسيون مي باشد و همچنين در شبكه عصبي داده هاي واقعي و داده هاي پيش بيني شده داراي انطباق بيشتري نسبت به مدل رگرسيون انجام شده مي باشد.