مقایسه کارایی پیش بینی دبی ماهانه با استفاده از روش های شبکه عصبی مصنوعی و سری های زمانی

پیش­بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می­باشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری ترین مسائل برای مدیریت منابع آب می باشد. پژوهش حاضر با هدف مقایسه بین مدل های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سری های زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره ۳۰ساله بین سال های ۱۳۵۶ تا ۱۳۸۶ پی­ریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و پارامترهای تعداد تکرار، ضریب یادگیری، تعداد نرون مخفی و خطای هدف که با استفاده از آزمون و خطا به­دست آمده، استفاده شد. همچنین، در روش آرما از بین مدل های مختلف روشی که دارای کمترین میزان خطا و معیار سنجش آکائیک (AIC) بود به­عنوان مدل بهینه انتخاب شد. نتایج مدل سازی سری­های زمانی با استفاده از مدل های آنالیز روند، هالت وینترز و باکس-جنکینز (آرما) حاکی از دقت بیشتر مدل های آرما (۲ و ۲) (R=۰.۷۷) و هالت وینترز (R=۰.۷۲) بوده است. در مقایسه بین مدل های شبکه عصبی مصنوعی، مدل MLP با میانگین ضریب هم بستگی ۰.۸۳ نسبت به مدل RBF با میانگین ضریب هم بستگی ۰.۸۱ دقت بیشتری در پیش بینی دبی نشان داده است. در مجموع دقت ­سنجی مدل ها براساس آماره­ های ریشه میانگین مربعات خطا و ضریب هم بستگی حاکی از دقت بیشتر شبکه عصبی مصنوعی (ANN) نسبت به مدل های سری زمانی (ARMA) می باشد. همچنین، ارزیابی دقت در مدل های مختلف حاکی از دقت بیشتر مدل یک (R=۰.۸۶ و  RMSE=۶.۴۵) با ورودی­ های دبی یک ماه تا چهار ماه قبل بوده است. بهترین معماری در روش شبکه عصبی مصنوعی نوع MLP، مدل شماره ۱ با آرایش ۱-۲۰-۴ به­ترتیب با چهار نرون در لایه ورودی، ۲۰ نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.

Keywords:

حوزه آبخیز طالقان , دقت , ضریب هم بستگی , مدیریت منابع آب , میانگین متحرک