صدیقه انوری - دانشجوی دکترای سازه آبی، دانشگاه تربیت مدرس
بهرام ثقفیان - استاد پژوهشکده حفاظت خاک و آبخیزداری
سعید مرید - دانشیار گروه سازه های ابی دانشگاه تربیت مدرس

محدودیتهای منابع آبی موجود و توانایی دسترسی به آنها، اهمیت مدیریت و برنامه ریزی آب را بیش از پیش آشکارمیسازد. یکی ازابزارهای اساسی در مدیریت منابع آب، پیشبینی آورد رودخانه هاست. در انجام این پیش بینی های هیدرولوژیکی، عملکرد تکنیک های غیر خطی مانند شبکه های عصبی مصنوعی نسبت به تکنیک های مدلسازی مرسوم رگرسیون و سریهای زمانی بهتر گزارش شده است . لذا از تکنیک نامبرده جهت پیش بینی جریان یک تا سه ماه بعد حوضه کارون در این مقاله استفاده شده است . برای این پیش بینی ها ابتدا با بکارگیری تکنیک های CrossCorrelation و PCA 4مدل ورودی ازANN ساخته شد. سپس با استفاده از شاخصهای ارزیابی همانند ضریب تعیینR2) میانگین قدر مطلق خطاMAE)و ریشه میانگین مربعات خطاRMSE) برترین مدل ورو دی شناسائی گردید همچنین برای تعیین میزان اثر بخشی هر یک از متغیرهای ورودی و مولفه های اصلی، نقش منفرد و ترکیبی هر یک از آنها بر عملکرد مدلANNبررسی شد

پیشبینی جریان، شبکه عصبی مصنوعیCross Correlationتکنیکشاخص SOI