بررسي مدل بارش – رواناب با استفاده از روش هاي شبكه عصبي مصنوعي و رگرسيوني دومتغيره آماري ( مطالعه موردي در حوزه آبخيز ميناب)

The assessment of precipitation– runoff model by using of artificial neural network and regression methods (Case study: Minab Basin)

پيش بيني جريان روزانه رودخانه يكي از مهم ترين مسايل هيدرولوژيكي است كه براي مديريت سيلاب بسيار مهم است. مقادير دبي عبوري رودخانه را مي توان از روش هاي متعددي برآورد نمود، كه هر يك از روش ها داراي نقاط ضعف و قوتي هستند. در خصوص مدل هاي بارش- رواناب بدليل عكس العمل غير خطي يك حوزه آبخيز به رويداد باران مسيله بسيار پيچيده مي گردد. علاوه بر اين بدليل تغييرات مكاني بارش در يك حوزه اين پيچيدگي بيشتر نيز مي شود. شبكه عصبي يك تكنيك قابل انعطاف با ساختار رياضي است كه ما را قادر مي كند بدون توجه به پديده هاي طبيعي روابط پيچيده غير خطي بين داده هاي ورودي وخروجي را تشخيص دهيم . اين تحقيق با هدف كاربرد شبكه عصبي مصنوعي در پيش بيني دبي روزانه خروجي ايستگاه ميناب انجام شد و سپس با مقدار برآورد شده از روش رگرسيون دومتغيره آماري مقايسه گرديد. مدل شبكه ي عصبي مورد استفاده در اين تحقيق مدل پس انتشار خطا (BP)1 با تابع محرك سيگموييد مي باشد. نتايج حاصل از اين تحقيق نشان داد، كه مقدار خطاي برآوردي در روش شبكه عصبي كمتر از روش رگرسيون آماري دو متغيره مي باشد. بنابراين روش شبكه ي عصبي مصنوعي با ضريب همبستگي (r2) در سطح معني داري 5درصد، 94/62 درصد و خطاي RMSE 88/11 و هم چنين خطاي MAE 7/3 از دقت بالاتري نسبت به روش رگرسيوني برخوردار بوده و در نتيجه در مدل سازي بارش– رواناب، روش شبكه ي عصبي مصنوعي بر روش رگرسيون دو متغيره آماري ارجحيت دارد. در نهايت با در نظر گرفتن سادگي ساختار ،نوع اطلاعات مورد نياز مدل هاي شبكه عصبي مصنوعي و سرعت بالاي آنها ، مي توان نتيجه گرفت كه دقت بدست آمده در بسياري از پروژه ها به خصوص در مراحل اول طراحي كه اطلاعات موجود چندان زياد نيستند، بسيار مطلوب مي باشد.

One of the most important event in hydrology and flood management is a daily flow predication water different characteristic .There are several methods for estimating amount river discharge. One of these methods is nonlinear mathematic model of neural network. Artificial neural network is a useful technique which allows the user to detect nonlinear complex interaction between output and input data without considering natural phenomena. In addition, due to spiral changes in precipitation, complexity is great. Artificial neural network is a flexible method which helps us to distinguish nonlinear relationship between input and output data. The aim of this research was to investigate application of ANN in prediction of daily discharge. Then, estimated data of this method were compared with estimated data of regression method algorithm was used in ANN was Back Propagation and function was sigmoid results showed that estimation of ANN was accurate that regression method. Determination Coefficient between data estimated with ANN and observed data was 62.94 percent and Residual Mean Square Error (RMSE) and Mean Absolute Error (MAE) of estimated data of this method were 11.88 , 3.7 respectively. Thus, the neural network model is recommended because its structure is simple, the speed of presses is high and the required data are available.