ارزيابي دقت شبكه هاي عصبي مصنوعي در برآورد دبي حداكثر لحظه‌اي، مطالعه موردي: حوزه‌هاي آبخيز استان فارس

The accuracy evaluation of artificial neural networks in estimating instantaneous peak flow, Case study: Fars province watersheds

برآورد دبي اوج سيلاب در حوزه‌هاي آبخيز يكي از مهم‌ترين مسايلي است كه هيدرولوژيست‌ها و كارشناسان بخش آب را به خود مشغول كرده است. يكي از روش‌هاي نوين در حل مسايل مهندسي آب و رودخانه‌ها و همچنين، برآورد دبي اوج لحظه‌اي، استفاده از شبكه‌هاي عصبي مصنوعي مي‌باشد كه با الگوبرداري از شبكه مغز انسان ضمن اجراي فرآيند آموزش، روابط دروني بين داده‌ها را كشف و براي موقعيت‌هاي ديگر تعميم مي‌دهد. هدف از انجام اين پژوهش مقايسه كارآيي روش شبكه عصبي مصنوعي و روش‌هاي تجربي برآورد دبي اوج لحظه‌اي در تعدادي از حوزه‌هاي آبخيز استان فارس مي‌باشد. براي اين منظور ابتدا آمار دبي حداكثر روزانه و دبي اوج لحظه‌اي هفت ايستگاه هيدرومتري در طي يك دوره آماري 24 ساله جمع‌آوري و پس از رفع نواقص آماري و حذف داده‌هاي پرت، مقادير دبي اوج لحظه‌اي به كمك روش شبكه عصبي مصنوعي و سه روش تجربي Fuller، Sangal و Fill و Steiner برآورد شد. سپس نتايج به‌دست آمده از دو روش شبكه عصبي مصنوعي و روش‌هاي تجربي براساس معيارهاي RMSE، MAE و R2 مورد ارزيابي قرار گرفت. نتايج نشان داد كه برآوردهاي شبكه عصبي در تمامي ايستگاه‌ها در مقايسه با برآورد مدل‌هاي تجربي از دقت بالاتري برخوردار مي‌باشد كه نشان‌دهنده پايين بودن خطاها در مدل شبكه عصبي نسبت به مدل‌هاي تجربي است.

Estimating instantaneous peak flow in watershed is one of the most important problems that cause hydrologists and experts to work seriously on it. One the new methods in river engineering and suspended sediment estimation is application of artificial neural networks which uses the same algorithm of human brain to find the internal relation between data based on the training process. The objective of this study is to compare the efficiency of artificial neural network method and experimental methods for estimating instantaneous peak flow in Fars province watershed. For this purpose, 24 years of daily peak and instantaneous peak flow of seven hydrometric stations were considered and tested for outlier data. Then the estimation was done based on experimental methods including Fuller, Sangal and Fill-Steiner and artificial neural network method and were compared based on RMSE, MAE and R2. Results showed that estimation of artificial neural networks is more accurate than experimental methods in all stations which indicated the lower errors of artificial neural network method compared with experimental methods.