پریسا عباسعلی پوربشاش - دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه تبریز، ایران
یعقوب دین پژوه - دانشیار گروه منابع آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
محمدعلی قربانی - دانشیار گروه منابع آب، دانشکده کشاورزی، دانشگاه تبریز، ایران

پیش بینی و برآورد دقیق رواناب مستقیم به عنوان مهترین چالش در فرآیند مدیریت و مهندسی منابع آب، در عمل کار بسیار پیچیده ای است و تاکنون روشهای تجربی و فیزیکی متعددی برای برآورد آنها ارائه شده است. در دهه اخیر استفاده از مدلهای هوشمند شبکه های عصبی مصنوعی به دلیل قابلیت آنها در شبیه سازی و تخمین توابع غیر خطی، در مدلسازی فرآیندهای پیچیده هیدرولوژی، ازجمله فرآیند بارش رواناب افزایش یافته است. - در این پژوهش، با توجه به اینکه ارتباطات شبکه های عصبی و شبکه آبراهه ها هر دو ساختار شبکه ای دارند و یک سیگنال را از ورودی به خروجی تطبیق میدهند یک مدل شبکه عصبی مصنوعی مبتنی بر خصوصیات ژئومورفولوژیکی (GANN) حوضه صوفی چای واقع در شمال غرب ایران ایجاد گردید. این مدل به صورت یک شبکه پرسپترون سه لایه با تعداد لایه های میانی برابر با تعداد مسیرهای ممکن جریان ، طراحی شد که در آن، وزن بین لایه های میانی و لایه خروجی از طریق مقادیر احتمال مسیرهای ممکنه جریان در شبکه هیدرولوژی حوضه، تعیین گردید. نتایج نشان داد ارتباط تنگاتنگی بین عوامل ژئومورفولوژیکی و هیدرولوژیکی وجود دارد و استفاده از خصوصیات ژئومورفولوژیکی در ساختار شبکه های عصبی مصنوعی باعث افزایش عملکرد این مدل در تعیین رواناب مستقیم به عنوان پاسخ هیدرولوژیکی حوضه نسبت به بارش مازاد میگردد

مدلسازی بارش- رواناب، شبکه عصبی مصنوعی، خصوصیات ژئومورفولوژیکی، حوضه صوفی چای