فهرست نشریات علمی دسترسی آزاد ایران

تخمین جریان خروجی از یک حوضه آبریز تحت تأثیر پارامترهای مختلف، فرایندی پیچیده بوده و در صورت کمبود اطلاعات حوضه، استفاده از مدل‌های تحلیلی امکان‌پذیر نیست. از سوی دیگر، مدل‌‌های هوش مصنوعی نیاز به مشخصات حوضه نداشته و برخی مانند شبکه عصبی کانولوشنی (CNN) اخیراً در هیدرولوژی کاربرد فراوانی داشته‌اند. هدف این تحقیق بررسی عملکرد CNN در برآورد جریان خروجی بر حسب پارامترهای دما، بارش و دبی ورودی به حوضه بوده است. در این تحقیق از CNN، ترکیب CNN با تحلیل موجک (WCNN) و از شبکه عصبی پرسپترون (MLP) جهت ارزیابی ‌تأثیر دما بر برآورد جریان خروجی در حوضه آبریز قلعه شاهرخ چلگرد در بازه زمانی سال 1992 تا 2015 میلادی استفاده شد. هر مدل 20 مرتبه اجرا شده و میانگین مقادیر ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب نش- ساتکلیف (NS) محاسبه شده‌اند. تأخیر یک، دو و سه ماهه داده‌های دما و بارندگی نیز به ‌عنوان داده ورودی لحاظ شده است. همچنین، از تحلیل موجک جهت پیش‌پردازش داده‌ها در کاهش نوفه استفاده شده و نتایج نشان داد که CNN  با تأخیر سه ماهه دارای مقادیر، و به‌‌ترتیب برابر (m3/s) 0/922 ،14/20 و 0/772 بود. در مقابل، روش WCNNT3  با موجک Daubechies  که ترکیب CNN و تحلیل موجک است، با عملکرد سطح چهار و وضوح دو (WCNNT3-db42) دارای مقادیر شاخص‌های ارزیابی برابر (m3/s) 0/945 ،9/45 و 0/863 بود. بر این اساس، CNN عملکرد بهتری نسبت به MLP داشته و روش WCNN  نیز با کمک تحلیل موجک، کارایی و عملکرد بهتری نسبت بهCNN  از خود نشان داد.