ترکیب بهینه متغیرها برای شبیه¬سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما

Abstract

رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدل­سازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل­سازی رواناب رودخانه حوزه آبخیز امامه می­باشد. برای تعیین بهینه تعداد داده­های مورد نیاز برای مدل­سازی از آزمون M استفاده شد. داده­های بارندگی P(t) و روانابR(t) در مقیاس روزانه و در طول دوره آماری 1388- 1379 استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تأخیر یک روزه (R(t-1))، دو روزه (R(t-2))، سه روزه (R(t-3)) و چهار روزه (R(t-4))، سری بارندگی روزانه بدون تأخیر زمانی (P(t)) و با تأخیرهای یک روزه (P(t-1))، دو روزه (P(t-2)) و سه روزه (P(t-3)) استفاده شد. مدل­سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش­های شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل P(t)، P(t-1)، P(t-2)، P(t-3)، R(t-1) و R(t-2) بهینه ترکیب متغیرها در مدل­سازی جریان رودخانه حوزه مذکور می­باشند. همچنین با استفاده از خروجی آزمون M تعداد 1405 داده برای بخش آموزش مدل­سازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش رگرسیون خطی محلی LLR)) در قسمت آموزش از دقت بالاتری نسبت به روش شبکه­های عصبی مصنوعی برخوردار است، در حالیکه در مرحله تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار R² و RMSE روش LLR در بخش آموزش بترتیب معادل 96/0 و 7/1 بدست آمد.