مدلسازی فرآیند بارش – رواناب در حوضه لیقوان چای با استفاده از نرون شرطی آستانه دمایی

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه عمران آب دانشگاه تبریز

چکیده

لزومِ پیشبینى بده رودخانه در کارهاى عمرانى، برنامهریزى براى استفادة بهینه از مخازن سدها، ساماندهىِ رودخانه
و هشدار سیل، کاملاً احساس مىشود. در این راستا مسئلۀ بارش- رواناب بیشترین توجه مدلسازهای شبکههای عصبی
2 برای پیشبینی بارش- MLP مصنوعی 1 را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی چند لایه
رواناب حوضه آبریز برفگیر لیقوانچای واقع در استان آذربایجان شرقی استفاده شده است. اطلاعات این حوضه
شامل دادههای بارش، دما و رواناب روزانه میباشد. در مراحل مختلف تحقیق اثرات هر یک از این عوامل (در قالب
ترکیبات مختلف) در کارایی شبکه، مورد بررسی قرار گرفته است. همراهی سه عامل بارش در روز جاری و روزهای
قبل، دما در روز جاری و روزهای قبل و رواناب در روزهای قبل در ماتریس ورودی بهترین نتایج را برای شبکه
عصبی در پی داشته است. از آنجایی که حوضۀ آبریز لیقوان یک حوضۀ برفگیر میباشد، اثر دما در این حوضه و
تبدیل برف به رواناب حائز اهمیت بوده و در ادامه مورد بررسی قرار گرفته و نرونی با نام نرون شرطی آستانۀ دمایی
3 تعریف شده است. مقادیر این نرون بصورت باینری بوده و اعداد صفر و یک را به خود میگیرد. معیار این CTT
تفکیک مقدار آستانۀ دمایی ذوب برف میباشد که برای حوضۀ لیقوان محاسبه شده است. در پایان نتایج مدل
4 مقایسه شده است. نتایج نشان دهندة کارایی بهتر شبکۀ DSH شبکههای عصبی با مدل هیدروگراف ذوب برف بی بعد
میباشد. DSH عصبی نسبت به مدل ذوب برف

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling Rainfall – Runoff Process in Lighvan Chai Basin Using Conditional Threshold Temperature Neuron

نویسندگان [English]

  • MT Aalami
  • H Hosseinzadeh
چکیده [English]

Necessity of river flow forecasting in constructional works, planning for optimal usage of water
reservoirs, 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 current
research, multi layer perceptron was applied to forecasting rainfall – runoff of Lighvan Chai snowy
basin in East Azarbaijan province. The data of the basin includes daily rainfall, temperature, and
runoff which their effects on the efficiency of network were studied at different steps. Getting along
with the factors of rainfall and temperature at the current day, previous days and runoff in previous
days in entrance matrix has led to the best results for neural networks. As the Lighvan Chai is a
snowy basin, the effect of temperature and snowmelt on runoff is very important and a new neuron
which is called conditional neuron of threshold temperature was introduced. Figure of this neuron is
binary and the numbers are zero – one. The snowmelt temperature is the criterion of using these
numbers. The results of neural networks model was compared to those from the dimensionless
snowmelt hydrograph (DSH) including a greater efficiency of the neural networks.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Conditional threshold temperature neuron
  • Error back propagate algorithm
  • Rainfall-Runoff process
منهاج، م. 1379 . مبانی شبکههای عصبی( هوش محاسباتی). چاپ اول، انتشارات دانشگاه صنعتی امیرکبیر.
Anmala J, Zhang B and Govindaraju RS, 2000. Comparison of ANNs and empirical approaches for
predicting watershed runoff. Journal of Water Resources Planning and Management, 126:
18200-18207.
Bartual RG, 2002. Short term river flood forecasting with neural networks. Proceeding of Iemss,
160- 165.
Cunningham AB, 1977. Synthesis of snowmelt runoff hydrographs. Journal of hydraulics division,
103: 12668-12675.
Hsu KL, Gupta H and Sorooshian S, 1995. Artificial neural network modeling of the rainfall-runoff
Process. Water resources research, 31: 2517-2530.
20 شماره 2 سال 1389 / 110 اعلمی و حسینزاده مجله دانش آب و خاک / جلد 1
Lauzon N, Anctil F and Baxter CW, 2006. Classification of heterogeneous precipitation fields for
the assessment and possible improvement of lumped neural network models for stream flow
forecasts. hydrologic earth system science dscussion, 3: 201–227.
Sajikumar N and Thandaveswara BS, 1999. A non-linear rainfall-runoff model using an artificial
neural network. Journal of hydrology, 216: 32-55
Smith J and Eli RN, 1995. Neural-network models of rainfall-runoff process. Journal of water
resource planning and management, 121: 6, 7613-7620.
Tokar AS and Peggy JA, 1999. Rainfall-runoff modeling using artificial neural networks. Journal of
hydrologic engineering, 4: 232-239.
Wu S, Han JS, Annambhotla S and Bryant BS, 2005. Artificial neural networks for forecasting
watershed runoff and stream flows. Journal of hydrologic engineering, 10: 216-222.