مدلسازي منطقهاي دبي سيلابي در استان همدان با استفاده از شبكه عصبي مصنوعي

Regional flood discharge modeling in Hamedan province using Artificial Neural Network

سيل يكي از بلاياي طبيعي مهمي است كه همه ساله باعث ايجاد خسارتهاي مالي و جاني فراواني به جوامع مختلف ميگردد. به همين دليل محققين سعي نمودهاند كه تغييرات كمي اين پديده را حتيالمقدور بطور دقيق مورد بررسي قرار دهند. در اين تحقيق، كارايي روشهاي شبكه عصبي مصنوعي و سامانه اطلاعات جغرافيايي در برآورد دبي سيلابي 90 زيرحوضه استان همدان (با زمانهاي تمركز كمتر از 24 ساعت)، با توجه به آمار 16 ساله مربوط به 17 ايستگاه آبسنجي موجود در منطقه مورد ارزيابي قرار گرفت. بدين منظور مقادير مساحت، ارتفاع و شيب متوسط، مساحتهاي گروه هيدرولوژيكي خاك، متوسط وزني شماره منحني نفوذ و همچنين بارندگيهاي يك و پنج روزه ماقبل سيل نظير حوضه، به عنوان متغيرهاي ورودي شبكه و دبي سيلابي به عنوان متغير خروجي بكار گرفته شد. با توجه به مراحل آموزش، اعتبارسنجي و آزمون، نتايج بدست آمده نشان داد كه بهترين ساختار، شبكه عصبي مصنوعي پيشخور با دو لايه پنهان به ترتيب داراي 5 و 4 عنصر پردازشگر بود. در مدل منتخب مقادير ضريب تعيين، جذر ميانگين مربع خطا و ميانگين خطاي مطلق در مرحله آزمون 2 بودند. در نهايت با محاسبه مقادير بيشينه بارشهاي يك و پنج روزه براي دوره / 0 و 83 /72 ،0/ به ترتيب 87 بازگشت 25 ساله و همچنين با بكارگيري مدل بهينه منتخب، توزيع مكاني دبي سيلابي در كليه زيرحوضهها ارايه گرديد. بر اين اساس مناطق سيلخيز استان به منظور انجام برنامهريزي مناسب توسط مسيولين ذيربط مشخص شدند. در مجموع، اين نتايج بيانگر آن است كه روش شبكه عصبي مصنوعي ابزاري مناسب براي مدلسازي دبي سيلابي، به ويژه در هنگام نبود دادهها يا كمبود ايستگاه هاي آب سنجي ميباشد. واژه هاي كليد : ي بارندگي، دبي سيلابي، مدلسازي، شبكه عصبي مصنوعي، استان همدان. 1

Flood is one of natural hazardous disasters that causes economic and life damages every year. Therefore, scientists have tried to assess the variability of this phenomenon. In this study, the ability of Artificial Neural Network (ANN) and Geographical Information System (GIS) in the estimation of flood discharges of 90 sub-basins of Hamedan Province (with concentration time less than 24 hours) was assessed using a data period of 16 years collected at the 17 hydrometric stations throughout the area. In this regard, area of the basins, elevation and mean slope, bindery of hydrologic groups of soil, weighted curve number as well as daily and 5 day precipitations which occured before the corresponding floods used as the input variables and the flood discharge defined as the output. Considering the training, validation and testing sets the results showed that the best structure was a feed forward ANN with two hidden layers of 5 and 4 processing elements. In this model, the coefficient of determination, root mean squared error and mean absolute error were 0.87, 0.72 and 2.83, respectively. Finally, using the maximum daily and 5 day precipitations for a return period of 25 years and application of the model, the spatial distribution of the direct runoff was predicted. Therefore, flood mapping of the province was specified to determine the priorities of flood control between the regions. Finally, the results indicated that ANN method was an appropriate tool for flood discharge modeling, especially in the case of missing data or inadequate hydrometric stations. Keywords: Precipitation; Flood Discharge; Modeling; Artificial Neural Network1