فرآیند بارش رواناب یک پدیده به‌طور کامل پیچیده و غیرخطی در آب‌شناختی می‌باشد. مدل‌های مفهومی به‌طور وسیعی برای مدلسازی بارش- رواناب به کار برده می‌شوند. استفاده از مدل‌ها در شبیهسازی بارندگی- رواناب بـرای دسترسـی بـه خـصوصیات سیلاب از قبیل زمان رسیدن به دبی و زمان وقوع اوج متداول شده است. مدل‌های بارش- رواناب یکی از روش‌های تخمین رواناب و ابزاری مناسب برای مطالعه فرایندهای هیدرولوژیکی و ارزیابی منابع آبی می‌باشند. دو کاربرد مهم مدل‌های بارش- رواناب پیشبینی سیلاب و شبیهسازی فرایندهای هیدرولوژیکی است. از مدل‌های که در زمینه‌های مختلف علمی به کار برده شده و می‌تواند فرایند پیچیده بارش – رواناب را شبیهسازی کند و کاربردهای نسبتاً زیـادی دارند استفاده از مدل‌های هیدرولوژیکی و شبکه عصبی می‌باشد. هـدف از این تحقیق جهـت شبیهسازی فراینـد بارش_ رواناب و بررسی کارآمدی مدل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل هیدرولوژیکیHEC-HMS در شبیهسازی فرایند بارش- روانـاب در حوضه آبریز رودخانه کن است. داده‌های مورد استفاده در مدل از مقادیر داده‌های مشاهداتی آبدهی و بارش ایستگاه هواشناسی و هیدرومتری موجود در یک دوره آماری ۲۰ ساله (۱۳۸۰-۱۳۶۰) جهت ورود به مدل استفاده شد. برای ارزیابی کارایی مدل‌های مورد استفاده، داده‌های شبیهسازی شده و مشاهده‌ای جریان با استفاده از آماره‌های ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب عملکرد مورد ارزیابی قرار گرفت. نتایج نشان دهنده مقادیر ضریب همبستگی (۰٫۸۷= R) و ریشه میانگین مربعات خطا (۷٫۳۵= RMSE) برای مدل MLP و مقادیر ضریب همبستگی (۰٫۸۲= R) و ریشه میانگین مربعات خطا (۶٫۴۹= RMSE) برای مدل HEC-HMS می‌باشد. نتایج حاصل از واسنجی مدل نشان می‌دهد که توافق و همبستگی خوبی بین جریان‌های مشاهده شده و شبیهسازی وجود دارد و می‌توان گفت که مدل برای حوضه مناسـب می‌باشد. امـا شبکه عصبی در شبیهسازی جریان با توجه به ارزیابی‌های آماری نسبت به مدل هیدرولوژیکی از دقت بالاتری برخوردار است.
کلمات کلیدی: مدل بارش- رواناب، HEC-HMS، مدل MLP، شبیهسازی، حوضه کن.
هنوز بررسی‌ای ثبت نشده است.