شبیه‌سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
سیل یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است. برآورد بارش-روانآب و سیل، به‌دلیل تأثیرگذاری عوامل مختلف، دشوار است. تا کنون روش‌های مختلفی برای تحلیل این پدیده ها پیشنهاد شده است. هدف این پژوهش مقایسه کارآمدی شبکه‌های عصبی مصنوعی (ANNs) در شبیه‌سازی فرآیند بارش ـ روانآب با نتایج مدل HEC-HMS است. به این منظور حوزه کارده واقع در شمال شرقی خراسان برگزیده شد و باران‌نمودهای چندین پیشامد بارندگی و آبنمودهای روانآب آن‌ها (مجموع450 داده مربوط به 30 پیشامد گزینش شده) مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس‌پراکنش و استفاده از تابع تبدیلS-شکل آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار ریشه میانگین مربعات خطا (RMSE) در خروجی های‌ آن بود. مدل HMS به روش پیشنهادی SCS اجرا گردید. برای ارزیابی کارایی ANN، داده های شبیه سازی شده و مشاهده ای مربوط به کل دبی و حجم روانآب، دبی‌های اوج و زمان های اوج مقایسه شدند. نتایج نشان داد که بر پایه قانون آموزش دلتا، شبکه پرسپترون چندلایه (MLP) با تعداد 29 نرون در تنها لایه میانی (پنهان)، فرآیند بارش ـ روانآب را با دقت خوبی شبیه‌سازی می نماید. ضریب همبستگی کل داده‌های دبی و حجم روانآب شبیه سازی شده و مشاهده ای، به ترتیب 98/0 و 99/0 به دست آمد. ANN اندازه و زمان دبی‌های اوج را نیز به خوبی (به ترتیب، 98/0 و 83/0 = r) برآورد کرد. با بررسی عملکرد مدل HMS، ضریب همبستگی کل داده‌های دبی و حجم روانآب 82/0 و 98/0 به دست آمد. همچنین ضریب همبستگی مربوط به اندازه و زمان دبی‌های اوج روانآب برآورد شده با مدل به ترتیب 97/0 و 70/0 برآورد شد. در آزمون t با سطح‌ اعتماد 99درصد، اختلاف معنی داری میان اندازه های مشاهده ای و شبیه سازی شده مربوط به همه پارامترهای مورد نظر دیده نشد. در نتیجه، گرچه تفاوت معنی داری میان دو روش یافت نشد، ولی مقایسه عملکرد شبکه و مدل به کار رفته نشان می دهد که در تمام پارامترها، دقت ANN بیشتر از مدل HMS بوده است.

واژه‌های کلیدی: شبیه‌سازی، مدل هیدرولوژیکی، بارش _ روانآب، شبکه عصبی مصنوعی، مدل HEC-HMS، حوزه کارده

عنوان مقاله [English]

Comparison of artificial neural networks (ANN) simulation of rainfall-runoff process with HEC-HMS model in Kardeh watershed

نویسندگان [English]

  • .A G
  • .M R
  • .M Z
چکیده [English]

Abstract
Flood is one of the destructive natural phenomena and being able to forecast it is of great importance. Simulation of rainfall-runoff and flood is difficult due to influence of several factors. So far, different methods have been suggested for their analysis. The aim of this study was to compare the efficiency of artificial neural networks (ANNs) in simulating rainfall-runoff process with HEC-HMS model. For this purpose, the Kardeh watershed which is located in northeast part of Great Khorasan province was chosen and based on several precipitation hyetographs and their runoff hydrographs (total of 450 data from 30 selected phenomena) the study was performed. Back-Propagation (BP) algorithm ANN was learnt to the data using sigmoid activation function. The criterion for selecting the network parameters in learning stage was producing the least RMSE in ANN outputs. Based on the SCS method and curve number (CN) the HMS model was performed. To evaluate the ANN performance, the simulated and observed data of total discharge and volume of runoff, peak discharges and peak times were compared. The results showed that based on Delta learning rule the multi layers Perceptron (MLP) network with 29 neurons, simulated the rainfall-runoff process with a high accuracy only in the middle (hidden) layer. The correlation coefficients of the total discharge and volume of runoff were found to be highly significant (r=0.98 and 0.99, respectively). The ANN model could significantly simulate the peak discharge and peak time values (r =0.98 and 0.83, respectively). By analyzing the HMS model performance, the correlation coefficients of the observed and simulated discharges and volumes of runoff were found to be 0.82 and 0.98, respectively. Also, the correlation coefficients of simulated peak discharges and peak times with this model were 0.97 and 0.70, respectively. By performing the T-test analysis at 99% confidence level no significant differences between observed and predicted data was observed. It can be concluded that although no significant differences was found between the two methods, however, the results of evaluated parameters showed that ANN predictions were more precise in comparison with those of HMS model.

Key words: Simulation, hydrologic model, Rainfall-runoff, artificial neural network, HEC-HMS model, Kardeh watershed.