الناز شرقی - دانشکده مهندسی عمران، دانشگاه تبریز
ناردین جباریان پاک نژاد - دانشکده مهندسی عمران، دانشگاه تبریز

در این مقاله پیش بینی نقطه ای و فواصل پیش بینی مدل شبکه عصبی مصنوعی (ANN) برای بارش و رواناب محاسبه شده است. سری زمانی ۲۸ و ۳۴ ساله از سال ۱۹۸۷ تا ۲۰۱۵ و ۱۹۸۱ تا ۲۰۱۵ به ­ترتیب برای حوضه رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا (West Nishnabotna River) برای مدل­سازی در مقیاس روزانه و ماهانه استفاده شده است. از آنجایی که پیش بینی نقطه ای ANN هیچ اطلاعاتی درباره عدم قطعیت مدل­سازی بیان نمی کند، فواصل پیش بینی برای ارزیابی عملکرد ANN به­کار گرفته شد. مدل­سازی فواصل ساخته شده با روش تخمین حد بالا و پایین (LUBE) که در آن ANN با دو خروجی که نشان دهنده حد بالا و پایین هستند، برای تخمین حدود پیش بینی استفاده شد. همچنین روش کلاسیک بوت­استرپ (Bootstrap)، که روشی رایج برای ارزیابی عدم قطعیت پیش بینی است، مورد استفاده قرار گرفت. نهایتا دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل کمیت سنجی شد. در این مطالعه، ورودی های مدل­سازی با معیار غیرخطی اطلاعات مشترک انتخاب شدند. مقایسه بین نتایج دو روش حاکی از آن است که روش LUBE  در مقایسه با روش بوت­استرپ به نتایج قابل اطمینان تری منجر شد. احتمال همگرایی فواصل پیش بینی و عرض فواصل پیش بینی روش LUBE در مقایسه با روش بوت­استرپ به ­ترتیب تا ۲۰% بیشتر و ۳۰% کم­تر بود. در روش LUBE، مدل­سازی در مقیاس روزانه در مقایسه با مقیاس ماهانه به ترتیب برای رواناب رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا، احتمال همگرایی فواصل پیش بینی ۱۷% و ۱۳% بیشتر و عرض فواصل پیش بینی ۱۸% و ۱۲% کم­تر بوده است.

بارش- رواناب, شبکه عصبی مصنوعی, فواصل پیش بینی, روش بوت استرپ