فاطمه آخونی پورحسینی - دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه تبریز.
محمدعلی قربانی - دانشیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز.

       پیش بینی جریان رودخانه یکی از موارد مهم در مدیریت منابع آب های سطحی، بهره برداری از مخازن سدها، کنترل سیلاب و خشکسالی می­باشد. انتخاب ورودی های مناسب برای افزایش دقت وکارایی مدل های هوشمند از اهمیت به­سزایی برخوردار است. در این تحقیق به ارزیابی عملکرد آنتروپی شانون درتعیین ورودی های مناسب و کارایی مدل های، شبکه عصبی مصنوعی و شبکه بیزین، در پیش بینی جریان ماهانه­ی رودخانه­ی صوفی چای در ایستگاه تازه­کند، در طی بازه­ی زمانی(1352-1391) پرداخته شده است. آنتروپی شانون، به عنوان روشی برای بیان اطلاعات یا عدم قطعیت یک پدیده مورداستفاده قرار می­گیرد. هم­چنین به عنوان شاخصی برای کمی کردن میزان عدم آگاهی و دانش نسبت به مشخصات یک سامانه، استفاده می­شود. داده­های جریان ماهانه با تاخیرهای مختلف به عنوان ورودی به آنتروپی شانون در نظر گرفته­شد. نتایج آنتروپی نشان داد که جریان رودخانه با سه تاخیر زمانی، عملکرد بهتری نشان می­دهد. سپس نتایج حاصل از پیش بینی، با دو مدل شبکه عصبی مصنوعی و شبکه بیزین مقایسه گردید. عملکرد این دو مدل با شاخص­های آماری ضریب تبیین (R2)، جذر میانگین مربعات خطا(RMSE) و شاخص پراکندگی(SI) ارزیابی شد. نتایج نشان داد که مدل شبکه عصبی مصنوعی با ضریب تبیین بیشتر و جذر میانگین مربعات خطا کمتر و شاخص پراکندگی کمتر در مقایسه با شبکه بیزین، از کارایی بالاتری برخورداراست و ازاین رو آنتروپی شانون در تعیین ترکیب بهینه­ی ورودی­ها به مدل­های هوشمند مناسب می­باشد.

آنتروپی, جریان, رودخانه صوفی چای, شبکه بیزین, شبکه عصبی مصنوعی