مقايسه عملكرد دو تابع سيگموييد و تانژانت هيپربوليك شبكه عصبي مصنوعي در پيش‌بيني ضريب روان‌آب رگبار (مطالعه موردي: حوزه آب‌خيز بار اريه نيشابور)

Performance comparison of two activation functions namely Sigmoid and Hyperbolic Tangent in Artificial Neural Networks for storm runoff coefficient forecasting (Case Study: Barariyeh Watershed, Neisha

فرآيند بارش- روان‌آب و ايجاد سيلاب از پديده‌هاي هيدرولوژيكي هستند كه بررسي آن‌ها به سبب تاثيرپذيري از پارامترهاي مختلف، دشوار مي‌باشد. تاكنون روش‌ها و الگوهاي مختلفي براي تحليل اين پديده‌ها ارايه شده است. از اين‌رو هدف اين پژوهش ارزيابي شبكه‌هاي عصبي مصنوعي در پيش‌بيني ضريب روان‌آب رگبار با استفاده از دو تابع انتقال سيگموييد و تانژانت هيپربوليك در لايه مخفي و تابع انتقال خطي در لايه خروجي است. به اين منظور حوزه آب‌خيز بار اريه نيشابور انتخاب و داده‌هاي مربوط به 33 واقعه در بين سال‌هاي آماري 1331 تا 1385 جمع‌آوري گرديد. به‌منظور انتخاب متغيرهاي مستقل در برآورد ضريب روان‌آب از تجزيه و تحليل عاملي استفاده شد، كه براساس آن 4 متغير مقدار متوسط بارندگي، چارك سوم، اول و چهارم شدت بارندگي و همچنين 5 متغير شاخص ( ) و چارك‌هاي اول تا چهارم شدت بارش به‌عنوان عوامل اصلي برگزيده شدند. شبكه عصبي مصنوعي ابتدا با تابع سيگموييد و سپس با تابع تانژانت هيپربوليك اجرا شد. متغيرهاي به‌دست آمده از تجزيه و تحليل عاملي براي شبكه با تابع انتقال سيگموييد به‌خوبي پاسخ داد ولي اين متغيرها براي شبكه با تابع انتقال تانژانت هيپربوليك به‌دليل عملكرد متفاوت اين تابع به پاسخ مناسبي منجر نشد، بنابراين تركيب ساير متغيرها براساس نقش هيدرولوژيكي آن‌ها، به‌عنوان ورودي شبكه مدنظر قرار گرفت. نتايج نشان داد كه شبكه با ورودي چارك‌هاي اول تا چهارم شدت بارندگي، مدت بارش، مقدار كل بارش و شاخص ( ) و بارش 5 روز قبل و تابع انتقال تانژانت هيپربوليك مي‌تواند ضريب روان‌آب رگبار را با ضريب تبيين آزمايش 98/0 و ريشه ميانگين مربعات خطا 0337/0 و متوسط قدرمطلق خطا 0275/0 پيش‌بيني كند.

The rainfall-runoff process and flooding are hydrologic phenomena that are difficult to study due to the influence of different parameters. So far, different methods and models are provided to analyze these phenomena. Therefore, the purpose of this study is evaluation of artificial neural networks (ANNs) for storm runoff coefficient forecasting using two transfer functions, hyperbolic tangent and sigmoid, in hidden layer and linear in output layer. For this reason, Barariyeh watershed was chosen in Neishabour and the data of 33 events were collected during 1952 to 2006. The factor analysis (FA) were used for determination of independent variables in storm runoff coefficient forecasting in which four variables were selected as independent variables, including average rainfall amount, third, first and fourth quartiles rainfall intensity and also five variables including index and first to fourth quartiles rainfall intensity. ANN was performed using sigmoid and hyperbolic tangent functions. The result of variables through factor analysis was acceptable for ANN using sigmoid transfer function but wasnʹt acceptable for ANN using hyperbolic tangent transfer function due to different performance of this activation function. So, other variables combined based on their hydrological role, were considered as ANN inputs. The results revealed that ANN using first to fourth quartile rainfall intensity, rainfall duration, average rainfall amount and total rainfall of five days ago inputs and hyperbolic tangent transfer function can predict storm runoff coefficient with R2=0.98 and RMSE=0.0337 and MAE=0.0275.