fa شبیه سازی فرآیند بارش رواناب در حوزه آبخیز ناورود با مدل ولترای مرتبه محدود و شبکه های عصبی مصنوعی تخصصي Special پژوهشي Research <p dir="RTL"><strong>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; در این تحقیق، مدل&shy;سازی فرآیند غیرخطی بارش- رواناب با استفاده از مدل خطی ولترا انجام می&shy;شود. بدین منظور، داده&shy;های بارش و رواناب همزمان مربوط به پانزده رویداد از حوزه آبخیز ناورود واقع در شمال کشور جمع&shy;آوری گردیده و به&shy;ترتیب 70 % و 30 % رویدادها برای آموزش و تست مدل بکار برده شدند. در نهایت، عملکرد مدل ولترا با شبکه عصبی پرسپترون چند لایه و با استفاده از پنج معیار عملکرد مختلف مورد مقایسه قرار گرفت. نتایج نشان داد که مدل هوشمند شبکه عصبی از توانایی بالاتری نسبت به مدل ولترا در پیش&shy;بینی&shy;های رواناب حوزه آبخیز ناورود برخوردار بود. بطور&shy;کلی، مدل خطی ولترا همانند سایر مدل&shy;های خطی درشبیه&shy;سازی فرآیند غیرخطی بارش- رواناب کارآیی بالایی نداشته و نیاز به تعمیم مدل به مرتبه&shy;های بالاتر و کاهش تعداد پارامترهای قابل تخمین آن می&shy;باشد.</strong></p> <p><span 11pt="" ar-sa="" calibri="" en-us="" minor-latin="" new="" times=""><font color="#000000">This study evaluates the performance of the linear first-order Volterra model for simulating nonlinear rainfall-runoff process. For this end, fifteen storm events over the Navrood River basin were collected. 70% and 30% of the events were used to calibrate and test the suitability of the model. Finally, the performance of the model was compared with the artificial neural networks (multilayer perceptron (MLP)) using five performance criteria namely coefficient of efficiency, root mean square error, error of total volume, relative error of peak discharge and error of time for peak to arrive. Results indicated that the intelligent MLP models outperformed the Volterra model. The linear Volterra model was not more effective in simulating the rainfall-runoff process. It needs to be extended to higher orders and also the number of the parameters should be reduced.</font></span></p> مدل ولترا, شبکه عصبی مصنوعی, فرآیند بارش- رواناب, شبیه سازی Volterra model, Artificial Neural Network, Rainfall-runoff process, Simulation 1 10 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-97&slc_lang=fa&sid=1 Mahsa Hasanpour Kashani مهسا حسنپور کاشانی 10031947532846007139 10031947532846007139 Yes University of Tabriz دانشگاه تبریز Mohammad Ali Ghorbani محمدعلی قربانی 10031947532846007140 10031947532846007140 No University of Tabriz دانشگاه تبریز Yaghoub Dinpazhouh یعقوب دین پژوه 10031947532846007141 10031947532846007141 No University of Tabriz دانشگاه تبریز Sedaghat Shahmorad صداقت شهمراد 10031947532846007142 10031947532846007142 No University of Tabriz دانشگاه تبریز