کاربرد و مدل سازی بارش رواناب با استفاده از شبکه ی عصبی مصنوعی MLP و مدل هیدرلوژیکی HEC-HMS در پیش بینی و شبیه سازی جریان در حوضه رودخانه کن

فرایند بارش رواناب یک پدیده به طور کامل پیچیده و غیر خطی در آب شناختی می باشد. مدل های مفهومی به طور وسیعی برای مدل سازی بارش رواناب به کار برده می شوند. استفاده از مدل ها در شبیه سازی بارندگی رواناب برای دسترسی به خصوصیات سیلاب از قبیل زمان رسیدن به دبی و زمان وقوع اوج متداول شده است. مدل های بارش رواناب یکی از روش های تخمین رواناب و ابزاری مناسب برای مطالعه فرایندهای هیدرلوژیکی و ارزیابی منابع آبی می باشند. دو کاربرد مهم مدل های بارش رواناب پیش بینی سیلاب و شبیه سازی فرایندهای هیدرلوژیکی است. از مدل های که در زمینه های مختلف علمی به کار برده شده و می تواند فرایند پیچیده بارش رواناب را شبیه سازی کند و کاربردهای نسبتا زیادی دارند استفاده از مدل های هیدرولوژیکی و شبکه عصبی می باشد. هدف از این تحقیق جهت شبیه سازی فرایند بارش رواناب و بررسی کارآمدی مدل شبکه عصبی مصنوعی پرسپترون چند لایه MLP و مدل هیدرلوژیکی HEC-HMS در شبیه سازی فرایند بارش رواناب در حوضه آبریز رودخانه کن است. داده های مورد استفاده در مدل از مقادیر داده های مشاهداتی آبدهی و بارش ایستگاه هواشناسی و هیدرومتری موجود در یک دوره آماری 20 ساله 1380-1360 جهت ورود به مدل استفاده شد. برای ارزیابی کارایی مدل های مورد استفاده، داده های شبیه سازی شده و مشاهده ای جریان با استفاده از آماره های ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب عملکرد مورد ارزیابی قرار گرفت. نتایج نشان دهنده مقادیر ضریب همبستگی R=0/87 و ریشه میانگین مربعات خطا RMSE=7/35 برای مدل MLP و مقادیر ضریب همبستگی R=0/82 و ریشه میانگین مربعات خطا RMSE=6/49 برای مدل HEC-HMS می باشد. نتایج حاصل از واسنجی مدل نشان می دهد که توافق و همبستگی خوبی بین جریان های مشاهده شده و شبیه سازی وجود دارد و می توان گفت که مدل برای حوضه مناسب می باشد اما شبکه عصبی در شبیه سازی جریان با توجه به ارزیابی های آماری نسبت به مدل هیدرولوژیکی از دقت بالاتری برخوردار است.

کاربرد و مدل سازی بارش رواناب با استفاده از شبکه ی عصبی مصنوعی MLP و مدل هیدرلوژیکی HEC-HMS در پیش بینی و شبیه سازی جریان در حوضه رودخانه کن Keywords:

مدل بارش- رواناب , HEC-HMS , مدل MLP , شبیه سازی , حوضه کن