مدل سازي فرآيند بارش – رواناب در حوضه ليقوان چاي با استفاده از نرون شرطي آستانه دمايي

Modeling Rainfall - Runoff Process in Lighvan Chai Basin Using Conditional Threshold Temperature Neuron

لزومِ پيش‌بيني بده رود‌خانه در كارهاي عمراني، برنامه‌ريزي براي استفاده بهينه از مخازن سدها، سامان‌دهيِ رودخانه و هشدار سيل، كاملاً احساس مي‌شود. در اين راستا مسيله بارش- رواناب بيشترين توجه مدل‌ساز‌هاي شبكه‌هاي عصبي مصنوعي را به خود معطوف كرده است. در اين تحقيق از شبكه‌هاي عصبي چند لايهMLP براي پيش‌بيني بارش- رواناب حوضه آبريز برف‌گير ليقوان‌چاي واقع در استان آذربايجان شرقــي استفاده شـــده است. اطلاعات اين حــوضه شامل داده‌هاي بارش، دما و رواناب روزانه مي‌باشد. در مراحل مختلف تحقيق اثرات هر يــك از اين عوامل (در قالب تركيبات مختلف) در كــارايي شبكه، مورد بررسي قرار گرفته است. همراهي سه عامل بارش در روز جــاري و روز‌هاي قبــل، دما در روز جاري و روز‌هاي قــبل و روانـاب در روز‌هاي قبل در مــاتريس ورودي بهترين نتايج را براي شبكه عصبي در پي داشته است. از آنجايي كه حوضه آبــريـز ليقوان يك حوضه برفگير مي‌باشد، اثر دمــا در اين حوضه و تبديل بــرف به رواناب حــايز اهميت بوده و در ادامه مورد بررسي قرار گرفته و نروني با نام نــرون شرطي آستانه دمــايي CTT تعريف شده است. مقادير اين نرون بصورت بــاينري بوده و اعــداد صفر و يك را به خود مي‌گيرد. معيار اين تفكيك مقدار آستانه دمايي ذوب برف مي‌باشد كه براي حوضه ليقــوان محاسبــه شــده است. در پـــايان نتايج مدل شبكه‌هاي عصبي با مدل هيدروگراف ذوب برف بي بعد DSH مورد مقايسه قرار داده شد. نتايج نشان دهنده كارايي بهتر شبكه عصبي نسبت به مدل ذوب برف DSH مي‌باشد.

Necessity of river flow forecasting in constructional works, planning for optimal usage of water reservoirs, river training and flood warning has been well recognized. In this regard, the rainfall - runoff process has been widely studied using artificial neural networks modeling. In the current research, multi layer perceptron was applied to forecasting rainfall - runoff of Lighvan Chai snowy basin in East Azarbaijan province. The data of the basin includes daily rainfall, temperature, and runoff which their effects on the efficiency of network were studied at different steps. Getting along with the factors of rainfall and temperature at the current day, previous days and runoff in previous days in entrance matrix has led to the best results for neural networks. As the Lighvan Chai is a snowy basin, the effect of temperature and snowmelt on runoff is very important and a new neuron which is called conditional neuron of threshold temperature was introduced. Figure of this neuron is binary and the numbers are zero - one. The snowmelt temperature is the criterion of using these numbers. The results of neural networks model was compared to those from the dimensionless snowmelt hydrograph (DSH) including a greater efficiency of the neural networks. Key words: Artificial neural networks, Conditional threshold temperature neuron, Error back propagate algorithm, Rainfall-Runoff process.