توليد مصنوعي جريان رودخانه با استفاده از شبكه‌هاي عصبي مصنوعي

Synthetic Streamflow Generation Using Artificial Neural Network Models

در اين مطالعه قابليت مدل‎هاي شبكه عصبي مصنوعي در زمينه توليد مصنوعي جريان ارزيابي شده است. مدلي كه براي توليد مصنوعي به‎كار رفته با تركيب مدل شبكه عصبي و يك مولفه تصادفي با توزيع نرمال ايجاد شده است. در توسعه مدل از شبكه‌ عصبي چندلايه تغذيه پيشرفتي با الگوريتم آموزشي انتشار برگشتي خطا استفاده شده است. بر اين اساس، مدل سري‌هاي بلندمدت و تا 300 سال جريان مصنوعي روزانه در رودخانه خرسان را فقط با استفاده از آمار روزانه جريان مشاهداتي در اين رودخانه توليد نموده است. به‌منظور ارزيابي قابليت مدل در توليد جريان از مقايسه آماره هاي پايه از قبيل ميانگين، انحراف معيار و چولگي و آماره هاي معرف دوام در سري‌هاي زماني از قبيل آماره هاي خودهمبستگي در سري هاي توليدي و مشاهداتي استفاده شده است. نتايج، بيانگر توانايي مدل در زمينه توليد مصنوعي جريان و قابليت شبكه هاي عصبي مصنوعي در توليد مصنوعي مقادير روزانه جريان است.

In this study, the capability of Artificial Neural Network (ANN) models for synthetic streamflow generation is evaluated. The used generating model was compounded from the ANN model and a random component with normal distribution. The multilayer feed forward neural networks and back propagation learning algorithm have been used in model development. Then, long term synthetic streamflow series up to 300 years of daily streamflow, using only observed daily streamflow in Khersan River have been generated. For model assessment, a comparison has been carried out with respect to different statistics of the historical data and synthetically generated data such as Basic Statistics like mean, standard deviation and skewness and series Persistence Statistics like autoregressives that finally show the model’s ability for synthetic daily stream flow generation.