عملکرد حافظه مدل اتورگرسیو و شبکه های عصبی مصنوعی در پیش بینی جریان روزانه رودخانه لیقوان

امروزه پیش بینی جریان رودخانه ها اهمیت شایانی در مدیریت منابع آب، اتخاذ تدابیر مناسب در مواقع کمبود آب و خسارات احتمالی سیل وتوسعه پایدار دارد. حوضه آبریز لیقوان از زیرحوضه های معروف حوضه آبریز تلخه رود بوده که مطالعات و پروژه های متعددی بر روی آن صورت گرفته است و بدلیل داشتن آمار کافی و دقیق در این بررسی انتخاب شده است. در این تحقیق از شبکه های عصبی مصنوعی و مدل اتورگرسیو برای تخمین جریان روزانه رودخانه لیقوان در قالب مقایسه عددی و ترسیمی بهره گرفته شده است. بدین منظور داده های جریان روزانه رودخانه لیقوان به مدت پنج سال آبی با استفاده از شبکه های عصبی مصنوعی و مدل سری زمانی (AR) مورد بررسی قرار گرفت. نتایج نشان داد که مدل شبکه های عصبی مصنوعی با ساختار سه لایه (AR) سری زمانی و حافظه پنج روزه نسبت به سایر ترکیب های شبکه عصبی از دقت بالاتری بهره مند است .بطوریکه برای دوره صحت سنجی در حافظه پنج روزه شبکه عصبی، با تعداد ۲ گره در لایه مخفی ، میزان خطا کمترین مقدار(0/0320) و بیشترین ضریب کارائی (98%) نسبت به سایر حافظه ها را به خود اختصاص داد . در مدل سری زمانی اتورگرسیو نیز برای دوره تاخیر زمانی شش روزه میزان خطا دارای کمترین مقدار خود نسبت به سایر حافظه ها (0/0417) . بیشترین ضریب کارائی (0/958) بوده است . در قیاش این دومدل بر اساس مقادیر خطا و ضرایب تبیین مدل شبکه های عصبی نتایج دقیق تری نسبت به مدل سری زمانی دارد.در خصوص عملکرد حافظه، نتایج نشان می دهند که شبکه های عصبی مصنوعی بدلیل ساختار آن، نسبت به تغییرات حافظه حساسیت زیادی ندارد، در حالی که در مدل اتورگرسیو تا حافظه سه روزه این حساسیت کم بوده و از حافظه روز چهارم به بعد کاهش خطا افت قابل توجهی دارد.

کلیدواژه ها:

پیش بینی ، جریان رودخانه ، لیقوان ، حافظه ، شبکه های عصبی مصنوعی ، مدل اتو رگرسیو