ارزیابی مقایسه ای مدل ihacres و شبکه عصبی مصنوعی (ann) در شبیه سازی بارش-رواناب

در این پروژه به منظور شبیه سازی بارش-رواناب از دو مدل ihacres و شبکه عصبی مصنوعی (ann ) استفاده شده است. مدل مفهومیihacres، که مبتنی بر داده های بارش و دما است، از دو بخش تشکیل شده است. این مدل در گام زمانی روزانه عمل می کند و مولفه های کند و تند جریان را (یعنی رواناب سطحی و جریان پایه) محاسبه می کند. هنگامی که به دلیل ضعف سطح اطلاعات موجود امکان درک مفهوم پدیده های فیزیکی فراهم نباشد و یا به طور کلی، زمانی که با کمبود داده ها جمع آوری شده در حوزه آبریز روبرو هستیم، مدل هایی همچون ihacres که نیاز به داده های کمتری دارند نتایج بهتر و کاربردی تری ارائه خواهند داد. دلیل استفاده از این مدل کارایی بسیار خوب آن در حوزه های خشک و نیمه خشک و عملکرد موفقیت آمیز آن در پیش بینی سیلاب بوده است. از طرف دیگر، مدل داده-مبنای شبکه عصبی مصنوعی از جمله روش های کارآمدی است که امروزه استفاده فراوانی دارد. در اکثر شرایط عملی که نیاز به درک فرآیند درونی حوزه نیست، استفاده از مدل های جعبه سیاه می تواند راه حل مناسبی جهت مدل سازی رواناب حوزه باشد. در این پروژه شبکه عصبی با دو الگوریتم پس انتشار خطا و الگوریتم مقاوم tao مورد بررسی قرار گرفته است. مدل ihacres حساسیت بالایی به کیفیت داده های ورودی دارد. داده های مورد استفاده در این پروژه از همبستگی پایین و تغییرات شدید در زمان تأخیر حوزه برخوردار بودند که همین مسئله تأثیر به سزایی در نتایج مدل داشته است که یکی از مسایل مهم در افت همبستگی بارش-رواناب وجود بارش برف است. در نهایت ضریب کارایی مدل ihacres در دوره واسنجی و صحت سنجی به ترتیب برابر 52/0 و 47/0 بدست آمد. طبق نتایج، مدل مفهومی مذکور در حوزه های خشک و نیمه خشک (کم باران) با وجود بارش برف عملکرد مناسبی ندارد در واقع مدل فوق در شبیه سازی رواناب حوزه های سیلابی که سیلاب ناشی از بارش ناگهانی و شدید باران باشد، مناسب می باشد. شبیه سازی جریان با استفاده از شبکه عصبی با ورودی بارش و دما نیز نتایج بسیار ضعیفی داشت. عملکرد ضعیف شبکه های عصبی ناشی از همبستگی پایین بارش و رواناب و وجود تعداد زیاد روزهای غیر بارانی (بارش صفر) بود. در نهایت جهت مدل سازی رواناب حوزه از مدل شبکه عصبی bp با سه ورودی دبی سه روز قبل به صورت 1-6-3 استفاده شد که نسبت به شبکه عصبی tao عملکرد نسبتاً بهتری ارائه کرد. ضریب کارایی در دوره های واسنجی و صحت سنجی برای شبکه عصبی مورد استفاده به ترتیب برابر 0.87 و 0.69 بدست آمد. این مسئله نشان می دهد که در حوزه هایی این چنین که فرآیند بارش-رواناب بسیار پیچیده است بهتر است جهت مدل سازی رواناب رودخانه از مدل های جعبه سیاه جهت پیش بینی رواناب حوزه استفاده شود که نتایج بسیار مناسب تری ارائه خواهند کرد.