عارف بهمنی - کارشناس ارشد آبیاری و زهکشی، اداره کل منابع طبیعی استان کردستان
شیرکو ابراهیمی - کارشناس ارشد آبخیزداری، هیئت علمی گروه آبخیزداری دانشگاه کردستان
سیف الله قلی نژاد - دانشجوی دکتری مرتع دانشگاه تهران

برنامه ریزی و مدیریت منابع آب، با تمام پیچیدگی ها و مشکلات آن می تواند نقش بسیار مهمی در ارتقاء شاخصهای ابی داشته باشد. از طرفی عدم برآورد دقیق رواناب حاصل از بارش در حوضه های آبریز، یکی از عواملی است که می تواند مدیریت و برنامه ریزی صحیح را در جهت بهره برداری بهینه از منابع آبی دچار مشکل کند. علی رغم آنکه تغییرات گسترده میزن بارش در نقاط مختلف و عدم امکان نسب ایستگاه های اندازه گیری در تمامی حوضه ها، استفاده از مدل ها و روابط مختلفی را موجب شده ، اما گستردگی و نقصان پارامترهای اثر گذار زمینه را برای بررسی های بیشتر در این خصوص فراهم ساخته است. در دهه های اخیر شبکه های عصبی مصنوعی به عنوان مدلی که با تجزیه و تحلیل اطلاعات موجود امکان استخراج روابط غیر خطی و نامشخص را فراهم می سازد، در بسیاری از علوم بویژه آب موفق ظاهر شده است. در این تحقیق ضمن بررسی قابلیت شبکه های عصبی مصنوعی درمدل کردن پدیده بارش – رواناب، سعی شده تا قدرت این مدلها در تکمیل آمار ناقص ایستگاه های هیدرومتری و توان تعمیم پذیری مدلهای طراحی شده برای ایستگاه های مجاور مورد بررسی قرار گیرد. برای این منظور از 10 سال آمار ماهانه ایستگاه های هیدر.متری تونل چهل گزی، حسین آباد قشلاق و حسین آباد بیاخی واقع در حوضه سیروان استفاده و نتایج بدست آمده از مدل ها به لحاظ شاخصهای آماری RMSE, MBE, MAE, R2, b, SEE, SE مورد ارزیابی قرار گرفته است. شبکه های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه (MLP) با قانون یادگیری Back Propagation می باشد که جهت مدل سازی جریان بکمک پارامترهای هواشناسی اثر گذار نظیر بارندگی، تبخیر، دما و سرعت باد بکار گرفته شد. جهت تقویت خاصیت تعمیم پذیری مدل در حوضه های دیگر از پارامترهای چون وسعت حوضه، زمان تمرکز، ضریب فرم و ضریب شکل حوضه نیز استفاده شده است.

شبکه های عصبی مصنوعی, بارش - رواناب