مقايسه عملكرد شبكه هاي عصبي مصنوعي با ورودي هاي مختلف و مدل هاي رگرسيون خطي مركب در تخمين دبي رودخانه

تهيه مدل هاي پيش بيني جريان رودخانه يكي از مهمترين مسائل در برنامه ريزي و مديريت منابع آب مي باشد. روشهاي مرسوم گذشته در اين زمينه، عمدتا در قالب مدل هاي قطعي و اتفاقي بوده اند. ايجاد مدل پيش بيني جريان بر اساس روش هاي قبلي معمولا زمان زيادي نياز دارد، به طوري كه مثلا درمورد مدل هاي رگرسيوني، با افزايش آمار و اطلاعات، لازم است كليه معادلات را مجددا ارزيابي و اصلاح نمود، اما در روش هاي اخير نياز به تغييرات گسترده نيست. از جمله روشهايي كه امروزه در كنار روشهاي كلاسيك مطرح شده، استفاده از شبكه هاي عصبي مصنوعي مي باشد. در اين پژوهش از دو نوع شبكه عصبي مصنوعيGRNN و MLPجهت پيش بيني جريان، استفاده شده است كه در هر مورد شبكه با ورودي هاي مختلف مورد بررسي قرار گرفته است و در نهايت ميزان وابستگي زماني پارامترهاي تأثير گذار بر دبي رودخانه با استفاده از آناليز خطاي شبكه در هر حالت بدست آمده است. همچنين از مدل هاي رگرسيون خطي مركب يا چند متغيره نيز به منظور مقايسه با شبكه هاي عصبي استفاده شده است، بدين منظور مشابه مدل هاي شبكه عصبي، مدل هاي رگرسيوني نيز با متغيرهاي وابسته متفاوت مورد بررسي قرار گرفتند و در نهايت نتايج تمامي مدل ها با توجه به معيارهاي سنجش خطا و نكوئي برازش ارزيابي گرديده و مدل نهايي انتخاب شده است كه بيانگر عملكرد بهتر شبكه هاي عصبي مصنوعي نسبت به مدل هاي رگرسيوني به خصوص در مورد مدل هاي با تعداد متغير وابسته بيشتر، مي باشد