بررسي مقايسه‌اي شبكه عصبي، مدل IHACRES و رگرسيون خطي در شبيه‌سازي رواناب درحوضه آبريز طشك-بختگان

Comparative evaluation of IHACRES, ANN and Linear Regression to simulate runoff in Tashk- Bakhtegan basin

پيش بيني جريان رودخانه يكي از مسائل ضروري هيدرولوژيكي مرتبط با مديريت سيل است. علاوه بر ارائه اطلاعات مفيد براي مديريت منابع آب پيش بيني هاي قابل اعتماد دبي روزانه نيز مي تواند به برنامه ريزي بهتر براي بهره برداري موثر از آن منابع كمك كند افزايش قابل توجه جمعيت و فعاليت اقتصادي در دشت هاي سيلابي و سواحل رودخانه هاي اصلي وجود داشته است كه اين پيش بيني را بحراني تر مي كند چندين روش براي تخمين مقادير دبي رودخانه استفاده مي،شود از جمله مدل هاي هيدرولوژيكي مدل هاي هيدرولوژيكي مي توانند مفهومي تجربي يا فيزيكي باشند انتخاب مدل مناسب به عواملي مانند شبيه سازي متغيرهاي در نظر گرفته شده رواناب سطحي آب زيرزميني بار رسوب و غيره) دقت داده هاي موجود و مقياس مكاني و زماني بستگي دارد همچنين مي توان از روش هاي آماري و شبكه هاي عصبي به عنوان روش هاي ديگر شبيه سازي رواناب نام برد هر تحليلي بايد عملكرد هر يك از اين مدل ها را در شرايط و مناطق مختلف اقليمي ارزيابي كند، زيرا هر كدام داراي مزايا و معايبي هستند از آنجايي كه برآورد رواناب با استفاده از يك مدل كارآمد از اهميت 2021.22332.2182.wej/10.30495 : حياتي برخوردار است اين مطالعه سه روش متشكل از شبكههاي عصبي مدل IHACRES و رگرسيون خطي را براي تخمين رواناب ماهانه در حوضه طشك بختگان مقايسه مي.كند اگرچه مدلهاي فوق در تعدادي از مطالعات براي شبيه سازي رواناب در حوضه هاي مختلف مورد استفاده قرار گرفته اند اما در حوضه طشك سيل مدل بارش - رواناب هوش مصنوعي بختگان مورد بررسي قرار نگرفته اند به عنوان يكي از مزاياي اصلي روش هاي مورد استفاده در اين مطالعه عدم وجود پيچيدگي محاسباتي در تخمين مقدار رواناب .است مقايسه دقت اين سه مدل در پژوهش حاضر به منظور انتخاب بهترين مدل براي استفاده در مطالعات آتي انجام شده است. روش در اين تحقيق از داده هاي ايستگاه هواشناسي سينوپتيك شيراز و ايستگاه هيدرومتري پل خان واقع در درياچه طشك بختگان براي بررسي رابطه بين مقادير رواناب و مقادير بارش براي حوضه آبخيز طشك - بختگان استفاده شد. ارتفاع درياچه هاي طشك بختگان از سطح دريا تقريباً 1525 متر است. درياچه طشك بختگان به عنوان دومين درياچه بزرگ داخلي كشور مساحتي بالغ بر 800 كيلومتر مربع را در بر مي گيرد براي شروع اين مطالعه، تمامي داده هاي ايستگاه هيدرومتري پلخان و ايستگاه هواشناسي شيراز جمع آوري شد. براي منطقه مورد مطالعه از داده هاي 1981 تا 2012 براي بررسي شبيه سازي هاي بارش - رواناب استفاده كرديم. سه مدل متشكل از شبكه هاي عصبي HACRES و مدل رگرسيون خطي براي شبيه سازي رواناب بارندگي در منطقه مطالعه در بازه زماني 1981 تا 2012 استفاده شده است علاوه بر اين از ضريب همبستگي پيرسون، ضريب تعيين و سوگيري براي ارزيابي دقت مدلها استفاده شد. يافته ها: اساس نتايج مدل IHACRES براي حوضه طشك ،بختگان R2 محاسبه شده در مرحله كاليبراسيون 06 و حداقل مقدار خطاي نسبي 0.06 است در مقابل R2 براي مرحله اعتبار سنجي 052 است كه غير قابل قبول است زيرا 0.6 < R2 قابل اعتماد در نظر گرفته مي شود همانطور كه با رگرسيون خطي نشان مي دهد، دما و بارندگي فقط يك رابطه خطي دارند در حالي كه بارندگي و رواناب رابطه خطي ندارند به منظور مدل سازي بارش رواناب با استفاده از شبكه عصبي مصنوعي 70 درصد داده ها به عنوان داده آموزشي 15 درصد به عنوان داده اعتبار سنجي و 15 درصد باقيمانده به عنوان داده هاي آزمايشي استفاده شد بر اساس نتايج بهترين معماري شبكه 2 - 1 - 1 است كه ميانگين مقدار خطاي نسبي كمتري نسبت به ساير حالت ها دارد (همانطور كه در جدول 3 و شكل 13-14 مشاهده شود براي آموزش و آزمايش شبكه هاي عصبي از سري زماني شبكه عصبي جعبه ابزار با ساختار پويا استفاده شد. اين مطالعه نشان مي دهد كه شبكه عصبي توانسته است ميزان رواناب در حوضه طشك بختگان را با دقت قابل قبولي تخمين بزند.

Introduction: Simulating streamflow is an important element of hydrology and water resources. Forecasting runoff can determine the rate of flooding in future periods as well as the increasing or decreasing trend of river discharge. A variety of methods can be used to predict or simulate runoff rates, including statistical methods, rainfall-runoff models, and artificial intelligence. Methods: The model chosen in this study consisted of a neural network, IHACRES and linear regression to estimate runoff in Tashk-Bakhtegan basin, which were evaluated based on correlation coefficient, coefficient of determination, and other error measures. Findings: As results showed, runoff and precipitation have a nonlinear relationship; thus, the linear regression model cannot be trusted. The neural network model has good performance in estimating monthly runoff in the Tashk-Bakhtegan basin compared to the other two models due to the nonlinear relation between precipitation and runoff.