شبیه‌سازی پیوسته بارش- رواناب با استفاده از شبکه‌های عصبی مصنوعی برمبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی(PMI)

Abstract

آگاهی ازتوان طبیعی تولید رواناب درحوضه‌های آبریز یکی از نیازهای اساسی برای برنامه‌ریزی اصولی جهت بهره‌برداری بهینه از رواناب می باشد. از اینرو شبیه‌سازی بارش –رواناب در حوضه‌های آبریز از اهمیت زیادی برخوردار می‌باشد. در این مقاله به شبیه‌سازی پیوسته بارش-رواناب در حوضه سد مارون با شبکه های عصبی مصنوعی پرداخته شد تا توانایی و دقت این شبکه‌ در برآورد رواناب نیز ارزیابی گردد. با توجه با اینکه تعداد روزهای بارندگی در هر سال کمتر از روزهای غیر بارندگی می‌باشد بنابراین رواناب خروجی از حوضه ناشی از دو مکانیسم متفاوت می‌باشد. در زمانهای همراه با وقوع بارش و چند روز بعد از آن، رواناب خروجی از حوضه عمدتا به صورت سیلابهای با دبی زیاد و تداوم کم می باشد. ولی در اکثر روزهای سال که بارندگی وجود ندارد، رواناب خروجی بصورت جریان پایه با مقادیر دبی کم و با تداوم زیاد می‌باشد. بنابراین در این تحقیق سعی بر ارائه یک مدل بارش-رواناب دو ضابطه‌ای شامل مدل مربوط به روزهای بارانی و مدل مربوط به روزهای غیربارانی شده است. همچنین متغیر‌های ورودی موثر در دبی جریان در حوضه مارون با استفاده از الگوریتم اطلاعات متقابل جزیی (PMI) تعیین شده‌اند. مقایسه مقادیر شاخص‌های آماری بین مدل تک‌ضابطه‌ای و مدل دوضابطه‌ای نشان می‌دهد که دقت مدل دوضابطه‌ای در برآورد دبی جریان در ایستگاه ایدنک بیشتر از دقت مدل تک‌ضابطه‌ای می‌باشد. بطوری که ضریب ناش-ساتکلایف برای مدل تک‌ضابطه‌ای و دوضابطه‌ای به ازای مرحله آزمون شبکه به ترتیب برابر با 86/0 و 94/0 می‌باشد.