مرتضی چوبین - Malayer University
محمد بشیرگنبد - Malayer University

چکیده مبسوط مقدمه و هدف: در سال­ های اخیر پیش بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش بینی نیازمند آمار و اطلاعات است که متاسفانه اغلب حوضه های کشور فاقد داده های با کمیت و کیفیت مورد نظر می باشند. مدل سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم کفایت و عدم وجود داده­های باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل ها با توجه به شرایط هیدرولوژیکی هر منطقه است. مواد و روش ها: مدل­ های زیادی برای پیش بینی جریان رودخانه مورد استفاده قرار می گیرند. در این تحقیق از مدل بارش-رواناب IHACRES و شبکه عصبی مصنوعی به عنوان مدل داده محور برای پیش بینی جریان، در رودخانه بختیاری استفاده شد. از داده های سال های ۱۹۸۴ تا ۱۹۹۴ به عنوان داده های مرحله واسنجی و از داده های سال های ۱۹۹۵ تا ۲۰۰۶ برای صحت­سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه Dence با تعداد نرون های ۱۰، ۲۰، ۵۰ و ۱۰۰ استفاده شد. معیار بهینه سازی Adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده شده MSE است و تابع فعال ساز به علت پیوسته بودن داده ها sgmoid انتخاب شد. یافته ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله صحت­سنجی به ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی ۰/۷۴، ۰/۷۵، ۰/۷۷، ۱/۲۵، ۰/۷ و ۰/۹۴، ۰/۸۹، ۰/۸۹، ۰/۵۷، ۰/۲۶ محاسبه شد. نتیجه گیری: بر اساس نتایج روش های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی IHACRES پیش بینی دقیق تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه سازی جریان­ های اوج  علاوه بر شبیه سازی جریان روزانه از نتایج قابل توجه این تحقیق است.

Bakhtiary basin, Data-driven models, Flow simulation, Rainfall-runoff, بارش – رواناب, حوضه بختیاری, شبیه سازی جریان, مدل ­های داده محور