مدل سازی تراز آب دریاچه ارومیه با استفاده از مدل های هوش مصنوعی

ازجمله مشخصه¬های مهم هر دریاچه تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز امری موثر در تفسیر و بررسی مسایل مرتبط از جمله ریسک¬پذیری تاسیسات و سازه¬های وابسته، تغییرات ذخیره آبی دریاچه، ساخت و سازهای ساحلی و مباحث زیست محیطی می¬باشد. هرچند که با استفاده از اندازه¬گیری¬های مکرر تراز آب می¬توان دید کلی نسبت به تغییرات آن بدست آورد، اما شبیه¬سازی این متغیر امکان بررسی بیشتر آن، بخصوص تحت سناریوهای مختلف را فراهم می¬آورد. از جمله مباحثی که در سال¬های اخیر مورد توجه بسیاری از محققین و طراحان بوده است، بررسی سطح تراز آب دریاچه ارومیه می¬باشد که در سال¬ها و حتی در ماه¬های آینده در چه ارتفاعی قرار خواهد گرفت و چه بسا که با استفاده از این تراز بتوان مساحت دریاچه ارومیه و همچنین خط تراز دریاچه را مشخص نمود فلذا برای این منظور بکارگیری تکنولوژی هوش مصنوعی در مدل¬های هیدرولوژیکی مورد توجه بوده و توسعه یک مدل برای پیش¬بینی هیدرولوژیکی مبتنی بر سوابق گذشته بسیار مهم می¬باشد. ارایه الگوهای نو و به کارگیری تکنیک¬های پیشرفته می¬تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیر خطی شود. هدف از تحقیق حاضر ارائه روشی جدید در پیش¬بینی تراز آب دریاچه ارومیه و برآورد تراز آب دریاچه ارومیه با تاخیرها، تعداد نرون¬ها و لایه¬های پنهان مختلف با استفاده از ساختار مدل برتر در شبیه¬سازی تراز در حوضه¬ی دریاچه ارومیه با استفاده از شبکه¬های عصبی مصنوعی از نوع پرسپترون چند لایه (mlp) و تابع پایه شعاعی(rbf) و استفاده از تراز سطح آب دریاچه ارومیه به عنوان ورودی می¬باشد. مدل¬های شبکه عصبی عملکرد خوبی در زمینه تحلیل تراز آب دریاچه¬ها دارند. در این تحقیق از مدل¬های هوش مصنوعی که بر حسب تاخیرها، تعداد نرون¬ها ولایه¬های مختلف می¬باشند، جهت مدل¬سازی و پیش¬بینی دقیق تراز آب دریاچه ارومیه در آینده استفاده شده است. پس از استخراج تراز آب دریاچه ارومیه و تعیین ماه¬های مختلف از سال¬های مورد نظر، تراز آب دریاچه ارومیه بعنوان ورودی های شبکه عصبی استفاده گردیده که پس از آموزش و آزمون آنها ، ساختار هر دو نوع شبکه عصبی با توجه به شبیه سازی تراز آب مورد ارزیابی دو شاخص عملکرد ضریب همبستگی (r^2) و مجذور میانگین مربعات خطا (rmse) قرار گرفت که با در نظر گرفتن تاخیرهایی از یک تا 12 ماه و نرون¬های متفاوت مدل mlp به عنوان مدل برتر انتخاب شد که از ساختار این مدل برای پیش¬بینی تراز آب دریاچه ارومیه استفاده گردید. برای پیش¬بینی تراز سطح آب دریاچه ارومیه در آینده پارامتر ورودی همانند دو مدل قبلی تراز سطح آب دریاچه ارومیه بود که با داشتن تعداد نرون، تعداد لایه پنهان و تاخیرهای متفاوت بهترین مدل برای پیش بینی از طریق مطالبقت داده¬های پیش¬بینی شده با داده¬های مشاهداتی تراز سطح آب و بدست آوردن ضریب همبستگی (r^2) و مقدار مجذور میانگین مربعات خطا (rmse) انتخاب شد که مدل با تاخیر 36-12 با بیشترین شاخص عملکرد نمونه بهترین پیش¬بینی¬ها را برای 12 ماه آینده از خود نشان داد و همچنین مدل¬هایی که برای پیش¬بینی 24 ماه آینده انتخاب شده بودند شاخص¬های عملکرد مناسبی را از خود نشان ندادند که شاید علت آن نوع ساختار مدل می¬باشد که برای پیش¬بینی¬های کوتاه مدت مناسب است. همچنین در پیش¬بینی¬ها مشخص گردید که نرون¬های بالا عملکرد مناسبی را از خود نشان ندادند.