بهره گیری ازشبکه عصبی- مصنوعی برای بهینه سازی مدل سری زمانی (ARIMA) بارش– رواناب

پیشبینی صحیح و مناسب فرآیندهای هیدرولوژیکی میتواند کمک شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. خاصیت غیرخطی، عدم قطعیت ذاتی فرآیندهای استوکاستیک و پیچیده بودن مدلهای فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدل های جعبه سیاه از جمله مدل سری زمانی و مدل شبکه عصبی مصنوعی روی آورند. در این مقاله یک مدل ترکیبی که متشکل از دو مدل شبکه عصبی و مدل خطی سری زمانی است، ارائه شده و ط ی آن به مطالعه موردی در زمینه مدلسازی فرآیند بارش رواناب حوضه اهر چای واقع در استان آذربایجانشرقی پرداخته شده است . مدل ترکیبی شامل دو قسمت است؛ قسمت اول مدلسازی فرآیند بارش رواناب با الگوی سری زمانی است، قسمت دیگر برآورد و تخمین باقیمانده های سری زمانی با استفاده از شبکه های عصبی مصنوعی است که مقدار پیش بینی رواناب را به مقدار واقعی نزدیک تر میکند. بر اساس نتایج بدست آمده از این تحقیق، دقت مدل ترکیبی از مدل سری زمانی بیشتر است به طوریکه مدل ترکیبی میتواند جا یگزین نسبتاً مناسبی برای پیشبینی فرآیند بارش-رواناب باشد که یک مدل نیمه-خطی از فرآیندهای استوکاستیک را ارائه میدهد.

Keywords:

اهر چای , سری زمانی , شبکه عصبی , مدلسازی بارش- رواناب , مدل جعبه سیاه , ARIMA