پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا... جوکنک)

پیش بینی جریان از پارامترهای مهم در برنامه ریزی منابع آب و کاهش خسارات ناشی از سیلاب می باشد. روشهای مختلفی جهت پیش بینی جریان یا به عبارتی ایجاد مدل بارش رواناب وجود دارد، از فرمولهای تجربی و منطقه ای گرفته تا روشهای سری زمانی و مدلهای مفهومی. در سالهای اخیر توجه زیادی به استفاده ازمدلهای شبکه های عصبی مصنوعی و نیز مدلهای فازی-عصبی شده است. در هر منطقه با توجه به شرایط منطقه و نیز آمار و اطلاعات موجود باید مدل بهینه انتخاب شود . در این مقاله مدل بارش رواناب توسط شبکه های عصبی مصنوعی و مدل مفهومی Mike-NAM در مقیاس ماهانه برای حوزه آبریز الله- جوکنک تهیه می شود . شبکه های عصبی مصنوعی ابزار مناسبی برای ایجاد رابطه بین مقادیر ورودی و خروجی می باشد، خصوصاً در شرایطی که با روابط پیچیده و غیر خطی سر کار داریم . پارامترهای ورودی شبکه عصبی شامل دبی و بارش می باشد و خروجی شبکه دبی رود می باشد .مدل مفهومی نم یک مدل یکپارچه بارش رواناب می باشد که مولفه جریان سطحی ، نفوذ و جریان پایه که مولفه های مهم در رواناب حوضه می باشد را مدل می کند . این مدل دارای 9 پارامتر اصلی می باشد که می بایست کالیبره شود که پس از کالیبره شدن می تواند رواناب را به صورت کوتاه مدت و بلند مدت پیش بینی کند. در نهایت به مقایسه دو مدل پرداخته می شود.

Keywords:

پیش بینی جریان , مدل بارش رواناب , مدل شبکه های عصبی مصنوعی , مدل مفهومی Mike-NAM , حوضه الله–جوکنک , ارزیابی مدل , کالیبراسیون