بررسی همبستگی میان پارامترهای اقلیمی و سیلاب حوزه رودخانه مارون و پیش بینی سیلاب به کمک شبکه هوشمند عصبی

سیل از جمله بلایای طبیعی مهمی است که هر ساله باعث ایجاد خسارت های مالی و جانی شدیدی به جوامع بشری می شود. به ویژه در مناطقی همچون حوزه رودخانه مارون که دارای تغییرات زیاد دما و بارش است، همه ساله شاهد سیلاب های شدید و فراوانی هستیم. پژوهش حاضر با هدف شناخت پارامترهای اقلیمی موثر بر سیلاب منطقه، می تواند با کارآمدی شبکه عصبی مصنوعی، روش های مناسب تری را در پیش بینی این رخداد به­کار ببندد. روش به­کار رفته در این پژوهش جهت پیش­بینی این فرایند، شبکه ­های عصبی پرسپترون چند لایه و توابع پایه شعاعی می باشد که نتایج این دو شبکه عصبی با رگرسیون چندگانه مقایسه گردیده است. بدین منظور داده های روزانه اقلیمی چهار ایستگاه ایدنک، دوگنبدان، دهدشت و یاسوج شامل میانگین دمای خشک، بیشینه دما، کمینه دما، تبخیر، بارش، میانگین رطوبت، کمینه رطوبت، بیشینه رطوبت و ... طی یک دوره ۱۶ساله (اول مهر ۱۳۷۳ تا آخر شهریور ۱۳۸۸) به کار گرفته شد. با بررسی همبستگی بین این پارامترهای اقلیمی و دبی رودخانه مارون پارامترهای موثر بر سیلاب تعیین گردید. از رگرسیون چندگانه جهت تعیین ورودی های موثر بر سیلاب و مقایسه نتایج با شبکه عصبی استفاده گردیده است. بررسی نتایج نشان می داد که شبکه عصبی پرسپترون چندلایه با الگوریتم آموزش پس انتشار خطا دارای همبستگی ۷۳/۰ در مرحله آموزش و ۶۸/۰ در مرحله آزمایش و میزان نرمال شده ریشه میانگین مربعات خطا (NRMSE) در مرحله آموزش ۵۷/۰ و در مرحله آزمایش ۶۶/۰ به­عنوان بهترین مدل جهت پیش­بینی سیلاب شناخته شد. مقایسه نتایج شبکه عصبی و رگرسیون نشان می داد که شبکه عصبی دارای میزان همبستگی بالاتری نسبت به رگرسیون می باشد و همچنین در شبکه عصبی داده های واقعی و داده های پیش بینی شده دارای انطباق بیشتری نسبت به مدل رگرسیون انجام شده می باشد. 

Keywords:

Climatic Parameters , Catchment Basin , Multilayer Perceptron (MLP) , Multivariate Regression , Radial Base , پارامترهای اقلیمی , پرسپترون چند لایه , حوزه آبریز , رادیال بیس , رگرسیون چند متغیره