مقالات آب و خاك (علوم و صنايع كشاورزي)

از ديرباز معادله هاي متنوعي براي تعيين رواناب به منظور مديريت منابع آب توسط پژوهش گران ارايه شده که کاربرد گسترده اي در علوم هيدرولوژي دارند. در پژوهش حاضر با بهره گيري از داده هاي مشاهده اي، کاربرد مدل هاي تجربي، شبکه عصبي مصنوعي (ANN) و شبکه عصبي - فازي (CANFIS) در برآورد رواناب بررسي شد. بدين منظور با استفاده از اطلاعات فيزيوگرافي و اقليمي سه ايستگاه آب سنجي پل زمانخان، قلعه شاهرخ و سد زاينده رود واقع در حوضه زاينده رود، مقادير رواناب برآورد شده از مدل هاي تجربي و مدل هاي هوشمند عصبي با مقادير رواناب سالانه مقايسه گرديد. پارامترهاي ورودي شامل متوسط بارش سالانه، متوسط دماي هوا، دماي حداقل و حداکثر هوا بود. نتايج نشان داد مدل هاي هوشمند عصبي از دقت مناسبي در برآورد رواناب برخوردار بودند. در بين روش هاي تجربي نيز، روش دي سوزا مناسب تشخيص داده شد. مقايسه شاخص هاي خطاسنجي بين روش هاي برگزيده تجربي با مدل هاي هوشمند عصبي نشان داد ميانگين درصد خطاي (MPE) درANN ، CANFIS و مدل تجربي دي سوزا به ترتيب 7، 12 و 43 درصد بود که مويد اختلاف قابل توجه بين روش ها مي باشد. ضمن آن که ترکيب منطق فازي با شبکه عصبي مصنوعي در قالب مدل CANFIS کارايي لازم را در بهبود نتايج شبکه عصبي مصنوعي نداشت. همچنين نتايج اين پژوهش نشان داد با کاهش متغيرهاي ورودي از 4 پارامتر به يک پارامتر بارش، خطاي مدل سازي به حداکثر مقدار خود (ازMPE=7%  بهMPE=16% ) مي رسد. در مقابل ساختار بهينه شبکه عصبي به حذف پارامتر ميانگين دماي هوا، حساسيت کمتري (از MPE=7% به MPE=10%) نشان داد. بنابراين با توجه به محدوديت اطلاعات مورد نياز روابط تجربي و دقت بالاي مدل هاي هوشمند، کاربرد مدل عصبي قابل توصيه است.

 نسخه قابل چاپ