اعتبار سنجي مدل شبكه عصبي رابطه بارندگي-رواناب در حوزه آبريز سد زاينده رود

Artificial Neural Network validation for rainfall-runoff relationship of Zayandehrud Dam Basin

رابطه بارندگي- رواناب يكي از مهمترين و پيچيده ترين فرايند‌هاي هيدرولوژيكي است كه درك آن اهميت زيادي در هيدرولوژي و منابع آب دارد. مدل‌هاي فيزيكي و آماري زيادي به منظور بررسي اين فرايند توسعه يافته اند كه هر كدام برخي از جنبه‌هاي اين رابطه را در بر مي‌گيرند. استفاده از شبكه‌هاي عصبي به عنوان يك مدل جعبه سياه نيز يكي از روش‌هاي بررسي اين رابطه است. در اين تحقيق رابطه بارندگي – رواناب حوزه پلاسخان در سر شاخه زايند رود مورد بررسي قرار گرفته و شبكه عصبي پرسپترون چند لايه به اين منظور به كار گفته شد. به دليل واريانس شديد مشاهدات، ابتدا سري‌هاي بارندگي روزانه 3 ايستگاه واقع در منطقه و سري روزانه دبي ايستگاه پلاسجان به سري نرمال تبديل و با توجه به خود همبستگي و همبستگي عرضي بارندگي و رواناب 6 متغير به عنوان ورودي به شبكه انتخاب شد. در پايان مشخص شد شبكه عصبي پرسپترون با 4 لايه مخفي اعتبار بيشتري نسبت به ساير شبكه‌ها دارد. اين اعتبار سنجي با مقايسه آماري ميانگين، انحراف معيار و تابع توزيع دبي مشاهداتي و شبيه سازي شده مورد آزمون قرار گرفت.

Rainfall-runoff relationship is one of the most important and complex hydrological processes whose perception is very important in hydrology and water resources. A plenty of physical and statistical models have been developed for this that apply some parameters due to this relationship. The application of artificial neural network as a black box model is one of the methods to evaluate rainfall-runoff relationship. In this study, rainfall-runoff relationship of Plasjan Basin, upstream Zayandehrud River, is evaluated using multilayer perceptron network. Due to high variation of observed series, 3 daily rainfall series of regional stations and daily discharge of Plasjan station were first normalized and according to autocorrelation and cross correlation of rainfall-runoff data, 6 variables were selected for input of the network and a 4-hidden-layer network was found to be more valid comparing with other networks. The selected network was validated using comparison of the mean, standard deviation and probability density function of observed and simulated discharge.