ارزیابی رواناب با تکنیک‌های هوش مصنوعی

ارزیابی رواناب با تکنیک‌های هوش مصنوعی

عبدالعظیم قمیشی1

1) کارمند سازمان آب و برق خوزستان

کد IOI مقاله : XHHA-AZZDFD
محل انتشار : پنجمین کنگره بین المللی مهندسی، تکتولوژی و علوم کاربردی(etas2023.com)
چکیده :
    یک مدل قابل اعتماد برای شبیه‌سازی بلندمدت و پیش‌بینی فرآیند بارندگی-رواناب می‌تواند اطلاعات مفیدی را برای برنامه‌ریزی و مدیریت منابع آب ارائه دهد. همچنین پیش‌بینی دقیق بارندگی و رواناب ماهانه می‌تواند به عنوان یک عنصر کلیدی برای پیش‌بینی خشکسالی در آینده نزدیک در نظر گرفته شود. بدون شک بارش یکی از تاثیرگذارترین پدیده ها بر روند رواناب است. بنابراین، دانستن میزان بارندگی در یک حوضه آبخیز می‌تواند به بهبود دقت مدل‌های پیش‌بینی اعمال‌شده برای فرآیند رواناب یا جریان رودخانه کمک کند. بارش رابطه پیچیده و غیرخطی با رواناب دارد. علاوه بر این، میزان بارندگی و تبدیل آن به رواناب به تعداد زیادی از خصوصیات حوضه از جمله توپوگرافی، شکل، شیب، نوع خاک، رطوبت خاک، دما، تبخیر و تعرق و غیره بستگی دارد. این پارامترها معمولاً در مدل های مفهومی در نظر گرفته می شوند. از سوی دیگر، مدل‌های جعبه سیاه مانند شبکه عصبی مصنوعی تنها با استفاده از تعداد محدودی از متغیرها مانند سری‌های زمانی بارش و رواناب، توانایی زیادی در یافتن رابطه پیچیده بین پارامترها دارند. علاوه بر این، نیازی به تعریف رابطه بین پارامترها ندارند. در این مقاله تلاش اصلی محقق بر بررسی روش¬های معمول تعیین رواناب (روش SCS) با روش¬های جدید بوده است.

کلمات کلیدی : بارندگی رواناب خشکسالی مدل