RT - Journal Article T1 - Evaluation of the Efficiency of Different Artificial Intelligence and Statistical Methods in Estimating the Amount of Runoff (Case Study: Shahid Noori Watershed of Kakhk, Gonabad) JF - jwmr YR - 2018 JO - jwmr VO - 8 IS - 16 UR - http://jwmr.sanru.ac.ir/article-1-900-fa.html SP - 11 EP - 21 K1 - Modeling K1 - Neural Networks K1 - Decision trees K1 - ANFIS K1 - Backpropagation K1 - Feedforward K1 - Feedbackward AB - سال‌هاست که از مدل‌های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می‌شود. اما علی‌رغم وجود مدل‌های فراوان، ظهور مرتب مدل‌های جدید نشان‌دهنده آن است که هنوز مدلی که بتواند بدون هیچ‌گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل‌ها، پس از انجام مدل‌سازی‌ها، ضرورت می‌یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل‌سازی و برآورد میزان رواناب با استفاده از روش‌های مختلف هوش مصنوعی و نیز روش‌های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش‌های اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از داده­های 9 واقعه بارندگی در بازه زمانی 2015-2011 حوزه کاخک گناباد تهیه شد. مدل‌های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش‌خور نرمال، پیش‌خور Cascade، پس‌خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم‌افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام‌به‌گام به‌عنوان روش آماری، در محیط نرم‌افزار مینی­تب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش‌های آماری و هوش مصنوعی در نظر گرفته‌شده به‌طور نسبتاً مشابهی دارای کارایی قابل‌قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این ‌بین، مدل‌های عصبی پیش‌خور نرمال و پیش‌خور Cascade با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل‌ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل‌ها، به ترتیب مقادیر مشابه؛ 88/0، 76/0، 2 و 5/1 بدست آمد. درمجموع یافته‌ها حاکی از برآورد بهتر مدل‌های هوش مصنوعی نسبت به روش آماری رگرسیونی است. LA eng UL http://jwmr.sanru.ac.ir/article-1-900-fa.html M3 10.29252/jwmr.8.16.11 ER -