مقايسه كارايي پيش‌بيني دبي ماهانه با استفاده از روش‌هاي ‏شبكه عصبي مصنوعي و سري‌هاي زماني

Comparison prediction performance of monthly discharge using ANN ‎and time series

پيش­‌بيني در هيدرولوژي به معني تخمين شرايط هيدرولوژيكي و هواشناسي در يك بازه زماني خاص مي­‌باشد. در همين راستا، فهم رابطه بين بارش و رواناب يكي از ضروري‌ترين مسايل براي مديريت منابع آب مي‌باشد. پژوهش حاضر با هدف مقايسه بين مدل‌هاي مختلف شبكه عصبي مصنوعي (MLP و RBF) و سري‌هاي زماني آرما (ARMA) در برآورد دبي ماهانه در حوزه آبخيز طالقان براي يك دوره 30ساله بين سال‌هاي 1356 تا 1386 پي­ريزي شد. در روش شبكه عصبي مصنوعي از توابع محرك سيگموييدي و پارامترهاي تعداد تكرار، ضريب يادگيري، تعداد نرون مخفي و خطاي هدف كه با استفاده از آزمون و خطا به­‌دست آمده، استفاده شد. همچنين، در روش آرما از بين مدل‌هاي مختلف روشي كه داراي كمترين ميزان خطا و معيار سنجش آكاييك بود به­‌عنوان مدل بهينه انتخاب شد. نتايج مدل‌سازي سري­‌هاي زماني با استفاده از مدل‌هاي آناليز روند، هالت وينترز و باكس-جنكينز (آرما) حاكي از دقت بيشتر مدل‌هاي آرما (2 و 2)(R=0.77) و هالت وينترز (R=0.72) بوده است. در مقايسه بين مدل‌هاي شبكه عصبي مصنوعي، مدل MLP با ميانگين ضريب هم‌بستگي 0.83 نسبت به مدل RBF با ميانگين ضريب هم‌بستگي 0.81 دقت بيشتري در پيش‌بيني دبي نشان داده است.در مجموع دقت‌­سنجي مدل‌ها براساس آماره­هاي ريشه ميانگين مربعات خطا و ضريب هم‌بستگي حاكي از دقت بيشتر شبكه عصبي مصنوعي (ANN) نسبت به مدل‌هاي سري زماني (ARMA) مي‌باشد. همچنين، ارزيابي دقت در مدل‌هاي مختلف حاكي از دقت بيشتر مدل يك (R=0.86 و RMSE=6.45) با ورودي­‌هاي دبي يك ماه تا چهار ماه قبل بوده است. بهترين معماري در روش شبكه عصبي مصنوعي نوع MLP مدل شماره 1 با آرايش 1-20-4 به­‌ترتيب با چهار نرون در لايه ورودي، 20 نرون در لايه مخفي و يك نرون در لايه خروجي شناخته شد.

Prediction in hydrology is as estimation of hydrological and meteorological conditions in a ‎specific interval time. In this regard, understanding the relationship between precipitation and ‎runoff is necessary for water resources‏ ‏optimal management. The purpose of this study was to ‎compare different models of artificial neural networks (two type of ANNs: RBF and MLP) and ‎time series models (ARMA) to discharge estimation in a part of the Taleghan watershed, using ‎monthly flow discharge data for a period of 30 years between 1977 and 2007. Among the ‎different ARMA models, a model with a lowest error and akaike (AIC) criterion was selected ‎as an optimal model. Using trial and error method, ANNs were designed by specifying the ‎number of hidden layers and neurons in each layer, sigmoidal transfer function, training ‎function, weight/bias learning function and performance function. Using trend analysis, Halt-‎Winters and Box-Jenkins (ARMA) methods, time series analysis showed that ARMA (2,‎‏ ‏‎2) ‎‎(R= 0.77) and Halt-Winters (R=0.72) presented more accurate results. In general, it could be ‎concluded that ANNs models produced more accurate predictions of flow discharge than time ‎series approaches. Also, the results revealed that the MLP model (average R=0.83) produced ‎more accurate predictions of flow discharge than RBF model (average R=0.81). Assessment of ‎accuracy of all models based on RMSE and R showed that the model 1 (with RMSE= 6.45 and ‎R= 0.86) obtained with a network architecture of 4-20-1 configuration. Model 1 used the input ‎vector consisting of antecedent monthly discharge with one to four time lag.‎