کاربرد مدل های هوش مصنوعی و سری زمانی در تخمین رواناب (مطالعه موردی: قسمتی از حوضه آبریز رودخانه هلیل)

چکیدهمقدمه: پیش­بینی دقیق رواناب و سیلاب برای جلوگیری از خسارتهای جانی و مالی یکی از چالش برانگیزترین کارها در مطالعات هیدرولوژیکی یک منطقه می باشد. از این رو، توسعه مدل های دقیق پیشبینی از قبیل روش های هوش مصنوعی مورد توجه بیشتر محققین قرار گرفته است.روش­: در این تحقیق به بررسی کارآیی ۳ مدل ANN، GMDH و ARIMA جهت شبیه ­سازی سیلاب قسمتی از حوضه رودخانه هلیل رود در استان کرمان پرداخته شد. مدل ANN یک روش مدل­سازی غیرخطی است که به مرور عملکرد خود را بهبود می ­بخشد. GMDH یک مدل هوش مصنوعی با ویژگی­ های قابلیت خودسازماندهی اکتشافی است که در انتهای آن سیستمی پیچیده با عملکرد مطلوب شکل می­ گیرد. کد نوشته شده ARIMA به ساخت مدلی برای توصیف ساختار داده ­ها و سپس پیش­بینی سری زمانی می ­پردازد. داده­های ورودی به مدل­ های فوق شامل دبی، بارش، دما، باد و رطوبت ماهانه بودند و مقادیر رواناب شبیه ­سازی شده با مقادیر مشاهداتی مقایسه گردید.یافته ­ها: جهت ارزیابی دقت مدل­ها از شاخص ­های آماری RMSE، MSD و MAE استفاده شد و نتایج بدست آمده نشان داد مدل ((m۳/s)۰۴۲/۰RMSE=، ۲(m۳/s)۰۰۱/۰MSD= و (m۳/s)۰۲۷/۰MAE=) ANN توانست رواناب را با دقت بالاتری  در مقایسه با مدل (۰۶۸/۰RMSE=، ۰۰۵/۰ MSD= و ۰۵۶/۰MAE=) GMDH و سری زمانی (۰۹۶/۰RMSE=، ۰۰۹/۰MSD= و ۰۶۳/۰MAE=) ARIMA در حوضه مورد مطالعه برآورد کند. میانگین خطا در تخمین رواناب با مدل ANN در مقایسه با مقادیر تخمین زده شده با مدل GMDH و ARIMA به ترتیب ۲۳/۳۸ و ۲۵/۵۶ درصد کاهش یافت.نتیجه­ گیری: باتوجه به نتایج بدست آمده در این مطالعه، مدل شبکه عصبی مصنوعی به سبب توانایی ساختاری مناسب جهت پیدا کردن رابطه غیرخطی بین داده های ورودی و خروجی، توانسته است کارایی بهتری نسبت به دو مدل دیگر از خود نشان دهند.

Keywords:

بارش- رواناب , خودهمبسته با میانگین متحرک یکپارچه (ARIMA) , شبکه عصبی مصنوعی (ANN) , کنترل گروهی داده ها (GMDH) , مدیریت منابع آب