ارزیابی رواناب با تکنیک های هوش مصنوعی

یک مدل قابل اعتماد برای شبیه سازی بلند مدت و پیش بینی فرایند بارندگی-رواناب می تواند اطلاعات مفیدی را برای برنامه ریزی و مدیریت منابع آب ارائه دهد.همچنین پیش بینی دقیق بارندگی و رواناب ماهانه می تواند به عنوان یک عنصر کلیدی برای پیش بینی خشکسالی در آینده نزدیک در نظر گرفته شود.بدون شک بارش یکی از تاثیر گذار ترین پدید ها بر روند رواناب است.بنابراین دانستن میزان بارندگی در یک حوضه ابخیز می تواند به بهبود دقت مدل های پیش بینی اعمال شده ربای فرایند رواناب یا جریان رودخانه کمک کند.بارش رابطه پیچیده وغیر خطی با رواناب دارد.علاوه بر این ،میزان بارندگی و تبدیل آن به رواناب به تعداد زیادی از خصوصیات حوضه از جمله توپوگرافی،شکل،شیب،نوع خاک،رطوبت خاک،دما،تبخیر،و تعریق و یره بستگی دارد.این پارامتر ها معمولا در مدل های مفهومی در نظر گرفته می شوند.از سوی دیگر،مدل های جعبه سیاه مانند شبکه عصبی مصنوعی تنها با استفاده از تعداد محدودی از متغیر ها مانند سری های زمانی بارش و رواناب،توانایی زیادی در یافتن رابطه پیچیده بین پارامترها دارند.علاوه بر این نیازی به تعریف رابطه بین پارامترها ندارند.در این مقاله تلاش اصلی محقق بر بررسی روش های معمول تعیین رواناب SCS)با روش های جدید بوده است