كاربرد شبكه عصبي مصنوعي در پيش بيني رواناب ناشي از ذوب برف (مطالعه موردي: حوزه آبخيز سد لتيان)

Application of Artificial Neural Network for Snowmelt-Runoff (Case Study: Latyan Dam Watershed)

سيل يكي از پديده هاي ويرانگر طبيعي است كه پيش بيني آن از اهميت بالايي برخوردار است .فرآيند بارش- رواناب و ايجاد سيلاب پديده هاي فيزيكي هستند كه بررسي آنها به سبب تاثيرپذيري از پارامترهاي مختلف، دشوار مي باشد. تاكنون روش هاي مختلفي براي تحليل اين پديده ها ارايه شده است. پژوهش حاضر با هدف بررسي كارآمدي شبكه هاي عصبي مصنوعي در شبيه سازي فرآيند بارش- رواناب با دخالت دادن ارتفاع آب معادل برف در حوزه آبخيز لتيان واقع در استان تهران صورت گرفته است. بدين منظور 92 تصوير سنجنده موديس در طي سه سال آبي 83-1382 تا 85-1384 از سايت ناسا دريافت گرديد و سطح پوشش برف در هر يك از تصاوير استخراج و ميزان ارتفاع آب معادل برف در طي سال هاي مورد نظر محاسبه شد. همچنين داده هاي ارتفاع بارندگي، درجه حرارت و دبي در سال هاي مورد نظر در دسترس بوده كه از شبكه هاي پرسپترون چندلايه و الگوريتم پس انتشار خطا براي يافتن ساختار شبكه استفاده شد. نتايج نشان داد شبكه عصبي با ساختار 1-10-4 با 4 نرون در لايه ورودي، 10 نرون در لايه مياني و 1 نرون در لايه خروجي با ضريب كارايي 85/0 و ضريب تبيين 68/0 و ريشه ميانگين مربعات خطا 04/0 به عنوان بهترين ساختار از دقت مناسبي در برآورد رواناب برخوردار بود و دخالت دادن آب معادل برف باعث افزايش دقت مدل شد.

Flood is one of the natural disaster phenomena and flood prediction is very important. The rainfall-runoff process and flood are physical phenomena that these analyses are difficult due to the influence of various parameters. There are different methods and models for these phenomena analysis. This study is carried out for rainfall-runoff process simulation using artificial neural network (ANN) involving snow water equivalent (SWE) in Latyan watershed located in Tehran province. For this reason, 92 images of MODIS were obtained during three years from 2003-2004 to 2006-2007 from the NASA site. Snow cover areas (SCAs) were extracted from each images and SWE were computed during these years. The rainfall, temperature and stream flow were available during these years. Multilayer perception networks with back propagation algorithm were used for finding the structure of the networks. Results showed that ANN with 4-10-1 structure, 4 neurons in input layer, 10 neurons in middle layer and 1 neuron in output layer, with performance coefficient of 0.85, determination coefficient of 0.68 and root mean squared error of 0.04 as the best structure had good precision in runoff estimation and SWE was caused to increase the accuracy of the model.