تحقیق فوق با هدف تعیین کارایی مدلهای شبکه عصبی مصنوعی، عصبی- فازی و رگرسیون چند متغیره در شبیهسازی حجم رواناب و میزان فرسایش در سه زیر حوضه از حوزههای آبخیزشمال غرب ایران اجرا شد. در این پژوهش، براساس خصوصیات بارش مشابه از نظر میزان شدت بارندگی نیم ساعته با دوره بازگشت 10 ساله، با استفاده از دستگاه بارانساز مصنوعی انجام شد. برای این منظور، استقرار دستگاه بارانساز در 86 سایت انجام و از 21 متغیر محیطی (از خصوصیات توپوگرافی، خاکشناسی، پوشش گیاهی و تنوع گونهای) به عنوان ورودی مدل استفاده شد. اعتبارسنجی مدلها با 18 درصد دادهها انجام شد. نتایج تحقیق حاضر نشان داد که مدل رگرسیونی چندمتغیره میتواند به توجیه 68 و 46 درصد تغییرات به ترتیب متغیرهای حجم رواناب و میزان فرسایش بپردازد و کارایی آن در شبیهسازی پایین است. طبق نتایج، مدل شبکه عصبی تابع پایه شعاعی در مقایسه با روش پرسپترون چندلایه و مدل نروفازی با سناریو روش خوشهای (رویه هیبرید) در مقایسه با روش شبکه، میتوانند به پیشبینی دقیقتر بپردازند؛ به طوریکه شاخصهای RMSE، MAE و NSE در مدل بهینه شبکه عصبی، به ترتیب معادل 135/0، 114/0 و 99/0 برای حجم رواناب و 011/0، 009/0 و 98/0 برای میزان فرسایش و در مدل بهینه نروفازی، به ترتیب معادل 132/0، 111/0 و 92/0 برای حجم رواناب و 013/0، 011/0 و 98/0 برای میزان فرسایش حاصل شد. لذا مدلهای شبکه عصبی با روش تابع پایه شعاعی و نروفازی با سناریو روش خوشهای- رویه هیبرید به دلیل کارایی بالا، بهترین مدلها برای شبیهسازی فرسایش و رواناب است.
بازنشر اطلاعات | |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |