حسین آبسوران - دانشجوی کارشناسی ارشد عمران- آب دانشگاه آزاد اسلامی، واحد علوم و تحقیقات یاسوج
عبدال شهریور - استادیار پژوهشی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کهگیلویه و بویراحمد

خشکسالی های پی در پی و کمبود آب در پهنه وسیعی از کشورما سبب گردیده است تا ضرورت شناسایی و به مدل درآوردن رفتار رودخانه ها جهت برنامه ریزی های بلند مدت بیش از پیش احساس شود. پیش بینی دقیق جریان رودخانه ها می تواند در مدیریت بهینه منابع آب و جلوگیری از خسارات سیل مؤثر باشد. در دنیا اهمیت و قابلیت های خاص مدل های شبکه عصبی مصنوعی در علوم مختلف از جمله هیدرولوژی مشخص شده است. در این تحقیق حوزه آبخیز رودخانه زهره انتخاب و از شبکه های عصبی مصنوعی برای مدل سازی رواناب حوزه استفاده گردید. جهت این کار از داده های ورودی بارش، دما و تبخیر در مقیاس های زمانی مختلف استفاده شد. در هر دو شبکه در مجموع 40 مدل مورد ارزیابی قرار گرفت. در ابتدا استانداردسازی داده ها انجام و سپس معماری شبکه تعیین گردید. در مرحله بعد اقدام به تعیین پارامترهای شبکه گردید. در این تحقیق، از توابع خودهمبستگی به منظور تعیین تعداد گام های قبلی بارش به عنوان شاخصی از رطوبت قبلی خاک استفاده شد. نتایج ارزیابی عملکرد مدل های شبکه عصبی مصنوعی نشان داد که مدل های با ورودی بارش و دبی با گام زمانی تا دو روز قبل بهترین عملکرد را ارائه کرده است. در مقیاس ماهانه، مدل های با ورودی بارش تا حدودی توانسته است دقت قابل قبولی جهت پیش بینی دبی ارائه دهند. در مقیاس فصلی مدل های با ورودی بارش، تبخیر و دما توانسته است بالاترین میزان دقت و کمترین خطا را جهت محاسبه و پیش بینی دبی ارائه دهد. به طور کلی در مقیاس های روزانه و ماهانه دقت مدل RBF در مقایسه با مدل MLP در مجموع بالاتر بوده است ولی در مقیاس های فصلی و سالانه در مجموع دقت مدل MLP بالاتر از RBF بوده است.

شبکه عصبی مصنوعی، رواناب، خشکسالی، زهره، مدل