فخری سادات فاطمی نیا - دانشگاه اصفهان
سید محمد حسینی - دانشگاه اصفهان
جواد خوشحال دستجردی - دانشگاه اصفهان

سیل، یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تاثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R۲ جهت کارایی مدل، ۶ سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبیه سازی بارش- رواناب، مدلی است با ساختار۱-۳۲-۶ نرون در لایه های ورودی، پنهان و خروجی که مقادیر میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب؛ ۲۳/۰، ۱۹/۰ و ۲۱/۰ و ضریب همبستگی در بهترین سناریو به ترتیب؛ ۹۸%، ۹۷% و ۹۶% می باشد که حاکی از همبستگی بالا و معنی داری بین مقادیر مشاهداتی و مقادیر پیش بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدله نمودن بارش- رواناب را به هنگام استفاده از پارامترهای وئومورفولوژیکی در حوضه فریدن به خوبی نشان می دهد.

شبیه سازی بارش, شبیه سازی بارش- رواناب, رواناب, پرسپترون چند لایه, شبکه عصبی مصنوعی, حوضه فریدن