ارزیابی کارایی دو مدل احتمالی شبکه عصبی رگرسیون تعمیم یافته (GRNN) و رگرسیون ناپارامتری K- نزدیک ترین همسایگی (KNN) برای مدل سازی ماهانه فرآیند بارش رواناب

یکی از فرآیندهای اصلی در مدل سازی هیدرولوژیکی حوضه های آبریز، فرآیند بارش رواناب است و مدل سازی ماهانه آن در برنامه ریزی برای بهره برداری بلند مدت از منابع آب از اهمیت ویژ] ای برخوردار است. با توجه به تعدد عوامل اثرگذار بر شکل گیری رواناب حاصل از بارش و عدم اندازه گیری دقیق مقادیر آنها در بلند مدت، مدل سازی این فرآیند، پیچیده و غیرخطی می باشد. از این رو، در تحقیق حاضر، کارایی دو مدل احتمالاتی شبکه عصبی رگرسیون تعمیم یافته (GRNN) و رگرسیون K- نزدیک ترین همسایگی که به ترتیب بر مبای تایع پایه شعاعی و توابع کرنل می باشند، برای مدل سازی ماهانه فرآیند بارش رواناب در حوضه بالادست سد کرخه مورد ارزیابی قرار گرفته است. به منظور تعیین پارامترهای اثرگذار بر هر یک از مدل ها، از روش صحت سنجی متقاطع LOOCV استفاده شده است. نتایج بدست آمده نشان می دهد که در حالت ارزیابی کلی از تمامی ماه ها، هر دو مدل از کارایی مناسبی برخوردارند و کارایی دو مدل، مشابه است ولی در حالت بررسی ماهانه براساس رده بندی شاخص های نش-ساتکلیف، RMSE و ضریب همبستگی، کارایی مدل GRNN برKNN برتری دارد.

کلیدواژه ها:

مدل سازی ماهانه ، بارش رواناب ، کرخه ، صحت سنجی متقاطع ، KNN ، GRNN