@article { author = {Aalami, MT and Hosseinzadeh, H}, title = {Modeling Rainfall – Runoff Process in Lighvan Chai Basin Using Conditional Threshold Temperature Neuron}, journal = {Water and Soil Science}, volume = {20}, number = {2}, pages = {97-110}, year = {2014}, publisher = {University of Tabriz}, issn = {2008-5133}, eissn = {2717-3755}, doi = {}, abstract = {Necessity of river flow forecasting in constructional works, planning for optimal usage of waterreservoirs, river training and flood warning has been well recognized. In this regard, the rainfall –runoff process has been widely studied using artificial neural networks modeling. In the currentresearch, multi layer perceptron was applied to forecasting rainfall – runoff of Lighvan Chai snowybasin in East Azarbaijan province. The data of the basin includes daily rainfall, temperature, andrunoff which their effects on the efficiency of network were studied at different steps. Getting alongwith the factors of rainfall and temperature at the current day, previous days and runoff in previousdays in entrance matrix has led to the best results for neural networks. As the Lighvan Chai is asnowy basin, the effect of temperature and snowmelt on runoff is very important and a new neuronwhich is called conditional neuron of threshold temperature was introduced. Figure of this neuron isbinary and the numbers are zero – one. The snowmelt temperature is the criterion of using thesenumbers. The results of neural networks model was compared to those from the dimensionlesssnowmelt hydrograph (DSH) including a greater efficiency of the neural networks.}, keywords = {Artificial Neural Networks,Conditional threshold temperature neuron,Error back propagate algorithm,Rainfall-Runoff process}, title_fa = {مدلسازی فرآیند بارش – رواناب در حوضه لیقوان چای با استفاده از نرون شرطی آستانه دمایی}, abstract_fa = {لزومِ پیشبینى بده رودخانه در کارهاى عمرانى، برنامهریزى براى استفادة بهینه از مخازن سدها، ساماندهىِ رودخانهو هشدار سیل، کاملاً احساس مىشود. در این راستا مسئلۀ بارش- رواناب بیشترین توجه مدلسازهای شبکههای عصبی2 برای پیشبینی بارش- MLP مصنوعی 1 را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی چند لایهرواناب حوضه آبریز برفگیر لیقوانچای واقع در استان آذربایجان شرقی استفاده شده است. اطلاعات این حوضهشامل دادههای بارش، دما و رواناب روزانه میباشد. در مراحل مختلف تحقیق اثرات هر یک از این عوامل (در قالبترکیبات مختلف) در کارایی شبکه، مورد بررسی قرار گرفته است. همراهی سه عامل بارش در روز جاری و روزهایقبل، دما در روز جاری و روزهای قبل و رواناب در روزهای قبل در ماتریس ورودی بهترین نتایج را برای شبکهعصبی در پی داشته است. از آنجایی که حوضۀ آبریز لیقوان یک حوضۀ برفگیر میباشد، اثر دما در این حوضه وتبدیل برف به رواناب حائز اهمیت بوده و در ادامه مورد بررسی قرار گرفته و نرونی با نام نرون شرطی آستانۀ دمایی3 تعریف شده است. مقادیر این نرون بصورت باینری بوده و اعداد صفر و یک را به خود میگیرد. معیار این CTTتفکیک مقدار آستانۀ دمایی ذوب برف میباشد که برای حوضۀ لیقوان محاسبه شده است. در پایان نتایج مدل4 مقایسه شده است. نتایج نشان دهندة کارایی بهتر شبکۀ DSH شبکههای عصبی با مدل هیدروگراف ذوب برف بی بعدمیباشد. DSH عصبی نسبت به مدل ذوب برف}, keywords_fa = {الگوریتم پس انتشار خطا,شبکههای عصبی مصنوعی,مدل سازی بارش رواناب,نرون شرطی آستانه دمایی}, url = {https://water-soil.tabrizu.ac.ir/article_1307.html}, eprint = {https://water-soil.tabrizu.ac.ir/article_1307_65811fd3ee82a3a81d17916e6dc2b09e.pdf} }