کاربرد شبکه های عصبی در پیش بینی جریان رودخانه

شبکه های عصبی مصنوعی

مفاهیم پایه در شبکه های عصبی مصنوعی

یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه می‌باشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .

با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :

• نرون یا فعال است یا غیر فعال
• خروجی تنها به ورودی‌های نرون بستگی دارد
• ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد.

شرح تحقیق

با توجه به حساسیت بالای شبکه‌‌های عصبی به نوع اطلاعات مورد استفاده و همبستگی ورودی‌های شبکه با یکدیگر و متعاقب آن با خروجی‌‌های مربوطه جدای از بحث نوع شبکه و کاربرد آن به عنوان ابزاری جهت تولید جریان مصنوعی می‌‌‌‌بایست دید و نگرشی درست و صحیح نسبت به اطلاعات در دسترس و چگونگی سازماندهی ‌‌آن‌‌‌‌ها برای آموزش و استفاده از شبکه داشته باشیم . هر نوعی از اطلاعات با بازه‌‌های زمانی مختلف لزوماً ما را به سمت هدف مطلوب هدایت نمی‌‌‌کند . در مسائل هیدرولوژیک با توجه به طرح مسئله و اهدافی که از ایجاد شبکه خواهیم داشت نوع آمار از حیث دقت زمانی ( روزانه ، هفتگی ، ماهیانه )متفاوت می‌‌باشد . این فاکتور یکی از عوامل مهم و قابل بحث در کاربرد شبکه‌‌های عصبی به منظور طرح‌های مدیریتی در حوزه منابع آب خواهد بود . علاوه بر آن همبستگی و تاًثیر متقابل ایستگاه‌های ثبت آمار بر یکدیگر را نیز می‌توان به عنوان عامل مهم دیگری در این مبحث معرفی و ارزیابی کرد .

در این قسمت سعی شده در دو بخش مجزا، در دو حوزه آبریز متفاوت، یک‌بار با آمار ماهیانه و یک‌بار با آمار روزانه به تولید جریان مصنوعی با به‌کارگیری شبکه عصبی پرداخته شود واز این طریق با ارزیابی پاسخ‌‌های کسب شده از شبکه علاوه بر تولید جریان مصنوعی نوع آمار به کاررفته و تاًثیر آن بر شبیه‌سازی جریان مصنوعی نیز بررسی گردد.

نتیجه‌گیری

با بررسی نتایج حاصله از مطالعه موردی که در این تحقیق انجام گرفت می‌توان نتایج این شبیه‌سازی را به صورت زیر خلاصه کرد :

• در کار با داده‌های ماهیانه در مطالعه‌ای که در حوزه کشف‌رود و هریرود صورت گرفت شبکه عصبی ماهیانه عملکرد موفقی از خود نشان نداد و می‌توان این‌گونه ابراز کرد که بازه زمانی ماهیانه برای شبیه‌سازی جریان رودخانه‌ها توسط شبکه عصبی یک محدوده زمانی نسبتاً بزرگ است که شبکه عصبی نمی‌تواند در یک چنین فواصل زمانی اطلاعات را به خوبی فرا گیرد و با یک چنین اطلاعاتی نتایج نسبتاً ضعیفی از خود ارائه می‌نماید .
• در عملکرد شبکه عصبی با داده‌های روزانه خواص جریان در دو ایستگاه ، همبستگی‌ها و . . . به خوبی حفظ شده و نتایح بسیار مطلوبی حاصل شده است که به صورت گرافیکی نیز در پایان مقاله ارائه شده است .
• شبکه عصبی در حفظ خواص ماهیانه و سالیانه ( تواماً ) بسیار خوب و توانا عمل می‌کند.
• دیده می‌شود که در خواصی همچون همبستگی مکانی و همبستگی با گام یک در فصل تابستان مقداری نتایج حاصله از شبکه عصبی به نسبت دیگر فصول سال ضعیف‌تر است . این مسئله هم در ایستگاه جُنگ و هم در ایستگاه کارده مشاهده می‌شود .