با همکاری انجمن آبخیزداری ایران

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، دانشگاه آزاد اسلامی، واحد نی‌ریز

چکیده

برآورد دبی اوج سیلاب در حوزه‌­های آبخیز یکی از مهم‌ترین مسائلی است که هیدرولوژیست­‌ها و کارشناسان بخش آب را به‌خود مشغول کرده است. یکی از روش‌های نوین در حل مسائل مهندسی آب و رودخانه‌ها و همچنین، برآورد دبی اوج لحظه­‌ای، استفاده از شبکه­‌های عصبی مصنوعی می‌باشد که با الگوبرداری از شبکه مغز انسان ضمن اجرای فرآیند آموزش، روابط درونی بین داده‌ها را کشف و برای موقعیت‌های دیگر تعمیم می‌دهد. هدف از انجام این پژوهش مقایسه کارآیی روش شبکه عصبی مصنوعی و روش­‌های تجربی برآورد دبی اوج لحظه­‌ای در تعدادی از حوزه­‌های آبخیز استان فارس می­‌باشد. برای این منظور ابتدا آمار دبی حداکثر روزانه و دبی اوج لحظه­‌ای هفت ایستگاه هیدرومتری در طی یک دوره آماری 24ساله جمع‌آوری و پس از رفع نواقص آماری و حذف داده­‌های پرت، مقادیر دبی اوج لحظه­‌ای به‌کمک روش شبکه عصبی مصنوعی و سه روش تجربی Fuller ،Sagal و Steiner و Fill برآورد شد. سپس نتایج به‌دست آمده از دو روش شبکه عصبی مصنوعی و روش­‌های تجربی براساس معیارهای RMSE ،MAE و R2 مورد ارزیابی قرار گرفت. نتایج نشان داد که برآوردهای شبکه عصبی در تمامی ایستگاه­‌ها در مقایسه با برآورد مدل­‌های تجربی از دقت بالاتری برخوردار می­‌باشد که نشان­‌دهنده پایین بودن خطاها در مدل شبکه عصبی نسبت به مدل­‌های تجربی است.

کلیدواژه‌ها

عنوان مقاله [English]

The accuracy evaluation of artificial neural networks in estimating ‎instantaneous peak flow, Case study: Fars province watersheds

نویسنده [English]

  • Mohammad Shabani

Assistant Professor, Department of Watershed Management, Arsanjan Unit, Azad ‎Islamic University, Iran‎

چکیده [English]

Estimating instantaneous peak flow in watershed is one of the most important problems that cause hydrologists and experts to work seriously on it. One the new methods in river engineering and suspended sediment estimation is application of artificial neural networks which uses the same algorithm of human brain to find the internal relation between data based on the training process. The objective of this study is to compare the efficiency of artificial neural network method and experimental methods for estimating instantaneous peak flow in Fars province watershed. For this purpose, 24 years of daily peak and instantaneous peak flow of seven hydrometric stations were considered and tested for outlier data. Then the estimation was done based on experimental methods including Fuller, Sangal and Fill-Steiner and artificial neural network method and were compared based on RMSE, MAE and R2. Results showed that estimation of artificial neural networks is more accurate than experimental methods in all stations which indicated the lower errors of artificial neural network method compared with experimental methods.

کلیدواژه‌ها [English]

  • Daily flow
  • Experimental methods
  • Hydrometric station
  • Instantaneous peak flow
  • River ‎engineering