تخمین صحیح دبی رودخانه به خصوص در رودخانه هایی که به علت عدم وجود ایستگاههای هیدرومتری اطلاعات آبدهی به اندازه کافی در دسترس نمی باشد بسیار مهم می باشد ،برنامه‌ریزی و اولویت‌بندی در مدیریت حوزه های آبخیز نیاز به داده‌های مختلفی از جمله آبدهی و نوسانات آن دارد. مقادیر آبدهی متوسط با دوره بازگشت‌های مختلف برای تخمین آورد رودخانه‌ها،  برنامه‌ریزی برای بهره برداری از سدهای کوچک و بزرگ، مدیریت اراضی زراعی پایین دست و سایر پروژه‌های منابع آب وآبخیزداری مورد نیاز می‌باشد، همچنین می توان به این موضوع اشاره کرد که

مسئله تخمین و پیش بینی زمان و مقدار آبدهی رودخانه ها از نقطه نظر ایمنی، مسائل زیست محیطی و مدیریت منابع آب  نیز حائز اهمیت می باشد. در حال حاضر از روش های ریاضی متعددی برای پیش بینی آبدهی رودخانه استفاده می شود اما انتخاب مدل هایی که تا حد امکان به واقعیت موجود در حوضه نزدیک باشد بسیار مشکل است. در سال های اخیر از شبکه های عصبی مصنوعی (ANN) به طرز قابل توجهی در شبیه سازی فرایندهای مختلف استفاده شده است

شبکه‌های عصبی مصنوعی در واقع روشی است که هوش مصنوعی را بیشتر و بهتر به انسان شبیه می‌کند و توانایی‌های آنالیز داده‌های پیچیده را به هوش مصنوعی می‌دهد.  در واقع هوش مصنوعی آن چیزی است که باعث هوشمند شدن ابزار مختلف می‌شود و این هوشمند شدن از طریق یادگیری و آموزش اتفاق می‌افتد. یکی از این روش‌های یادگیری هم استفاده از شبکه‌های عصبی عمیق می‌باشد. با استفاده از شبکه‌های عصبی می‌توان به هوش مصنوعی کمک کرد تا کارها و یا مفاهیم پیچیده را بهتر درک کند و بتواند شبیه انسان تجزیه و تحلیل کند. پس تفاوت شبکه عصبی و هوش مصنوعی در آن چه که گفته شد است و می‌توان گفت که شبکه عصبی در واقع زیر مجموعه هوش مصنوعی است.

شبکه های عصبی چگونه آموزش داده می شوند؟

می‌توان یادگیری شبکه‌های عصبی هوش مصنوعی را شامل مراحل زیر دانست:

1. پیش‌پردازش داده

قبل از آموزش شبکه، داده‌های ورودی باید پیش‌پردازش شوند تا به شکلی مناسب برای ورود به شبکه تبدیل شوند. 2. انتخاب معماری شبکه

 بسته به مسئله‌ مورد بررسی، معماری مناسبی باید انتخاب شود که اینکار باید براساس پارامترهایی چون  تعداد لایه‌ها، نوع لایه‌ها (مانند لایه‌های پیچشی، لایه‌های عصبی بازگشتی، و غیره) و تعداد و اندازه نورون‌ها در هر لایه، انجام شود

3. تعیین تابع هدف

یک تابع هدف باید تعیین شود که معیاری برای اندازه‌گیری عملکرد شبکه باشد.

4. پس‌انتشار خطا (Backpropagation) 

این فرآیند شامل محاسبه خطا، انتقال آن از لایه‌های خروجی به لایه‌های ورودی و به‌روزرسانی وزن‌ها براساس گرادیان تابع هدف است.

5.. تنظیم پارامترها

در این مرحله پارامترهایی از شبکه شبکه مانند نرخ یادگیری، نوع بهینه‌ساز و تعداد دورهای آموزش، تنظیم می‌شود.

6.آموزش با دسته‌بندی (Batch Training) 

حال داده‌ها معمولا باید به دسته‌های کوچکتری تقسیم شوند تا شبکه بر اساس آن‌ها آموزش ‌ببیند. اینکار به بهبود عملکرد شبکه و جلوگیری از بیش‌برازش کمک می‌کند.

8. ارزیابی عملکرد

در نهایت پس از آموزش و طی کردن مراحل بالا، عملکرد شبکه بر روی داده‌های ارزیابی بررسی می‌شود تا میزان دقت و کارایی شبکه ارزیابی گردد.البته این هم در انتها باید بدانید که مراحل گفته شده، تنها یک چارچوب کلی برای آموزش شبکه‌های عصبی هستند که بسته به مسئله‌ مورد نظر، جزئیات و فرآیندهای بیشتری نیز ممکن است وارد شود.

طی تحقیقی توسط مسعودی و همکاران(1392) کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی (باران، دبی ، دما) به صورت غیر نرمال (خام) و نرمال مطالعه موردی) حوضه بوانات ایستگاه  های مزایجان ، منج، سوریان در استان فارس (بررسی شد ، رودخانه اعظم بوانات یکی از رودهای فلات مرکزی ایران است که در محدوده حوضه آبریز ابرکوه –سیرجان قرار دارد.شاخه اصلی رود بوانات از کوه ساریخانی در جنوب شرقی اقلید سرچشمه می‌گیرد و به سوی جنوب شرق امتداد می‌یابد. مهم‌ترین سرشاخه آن رود مزایجان است که در نزدیکی روستای دشت خورده به رود اصلی می‌پیوندد. سپس در جهت غرب به شرق جریان می‌یابد و پس از گذر از شهر مروست به کویر مروست منتهی می‌شود. طول این رود حدود ۱۰۰ کیلومتر و مساحت حوضه آبریز آن حدود ۱۱۳۸ کیلومتر مربع است.در این تحقیق نقش پارامترهایی از جمله دبی ، میزان بارندگی و درجه حرارت در ماه های گذشته و جاری برروی دبی ماهیانه رودخانه بوانات مورد بررسی قرار گرفت. در این مطالعه آمار آبدهی ایستگاه های هیدرومتری در سطح منطقه جمع آوری و مورد بررسی قرار گرفت و ایستگاه هایی که دارای آمار کافی از نظر کمی و کیفی در یک دوره مشترک بودند انتخاب گردید. هدف اصلی در این تحقیق ، استفاده از روش شبکه های عصبی مصنوعی جهت بررسی تاثیر پارامترهای مختلف برروی دبی هرماه بوده است . برای مدل سازی اطلاعات از نرم افزارQnet2000 که بر اساس روش پیشخور کار می کند استفاده شد ،همچنین در مدلسازی از دو تابع تحریک سیگموئید و گوسین استفاده  و برای پیش بینی جریان خروجی حوضه بوانات ، داده های هیدرومتری ایستگاه های (مزایجان ،منج  و سوریان )هواشناسی به صورت (غیر نرمال (خام) ، نرمال) در مقیاس زمانی ماهانه و در بازه زمانی 30 ساله استفاده شد که 80 درصد آن برای آموزش و 20 درصد باقیمانده برای آزمودن مدلها بکار گرفته شد . بر اساس نتایج حاصل مشخص شد تعداد بهینه نرون ها در لایه مخفی در بهترین ساختار شامل( ورودی های دبی ماه قبل و دو ماه قبل،بارندگی ماه جاری و ماه قبل،درجه حرارت ماه جاری )برای حالتی که از تابع سیگموئید استفاده می شود 3 و در حالتی که از تابع گوسین استفاده می شود شامل( ورودی های دبی ماه قبل،دبی 2 ماه قبل ،دبی 3 ماه قبل ،دبی 4 ماه قبل ،بارندگی ماه جاری و ماه قبل) 19 می باشد. مقایسه ضرایب همبستگی و خطاهای داده های موجود در نتایج حاصل از تابع گوسین و تابع سیگموئید نشان دهنده برتری مدلهای با تابع تحریک گوسین بود و در پایان پیش بینی آبدهی رودخانه بوانات با استفاده از نرم افزارMATLAB  در شاخه Neural Network برای  ماه  ها و سال های آتی  با بهترین ساختار ها( ساختار هایی که بیشترین ضریب همبستگی و کمترین میزان خطا را داشتند ) به خوبی انجام شد . نتایج اجرای مدل بیانگر دقت بسیار خوب مدل شبکه عصبی در برآورد وتخمین دبی رودخانه بوانات بود.

منبع:

1-مسعودی،منا،1392، کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی (باران، دبی ، دما) مطالعه موردی) حوضه بوانات ایستگاه  های مزایجان ، منج، سوریان در استان فارس (،پایان نامه کارشناسی ارشد،دانشگاه آزاد اسلامی واحد ارسنجان

منامسعودی

کارشناس حفاظت و بهره برداری از رودخانه ها