انجمن آبخیزداری ایران مجله اکوهیدرولوژی 2423-6098 3 4 2016 12 21 The performance of Artificial Neural Network in prediction and analysis of hydrological processes (Case study: Water shortage in Nazloo-chai watershed, West Azerbaijan province) عملکرد شبکۀ عصبی مصنوعی در پیش ‏بینی و تحلیل فرایندهای هیدرولوژیک (مطالعۀ موردی: کمبود آب حوضۀ آبخیز نازلوچای در استان آذربایجان غربی) 631 644 60365 10.22059/ije.2016.60365 FA سعید فرزین استادیار، گروه مهندسی آب و سازه‏ های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان‌ حجت کرمی استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان‌ مهسا دوست محمدی دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان آنسه قنبری دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان الهام ضمیری دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان Journal Article 2016 10 30 Precipitation is one of the hydrological processes that play an important role in controlling water resources management. Shortage of rain causes some problems such as lack of drinking water. Due to the importance of the issue of water shortage, using modern methods to predict hydrological processes will play an important role in planning and management of water resources. Therefore, in this study, monthly shortage of water in Nazloo-chai watershed was predicted using Artificial Neural Network (ANN) and improved wavelet-neural network (IWNN) models, for the past 39 years (1973-2012). Performance of these two models was evaluated using statistical indicators including correlation coefficient (R), determination coefficient (R²) and root mean square error (RMSE). According to the results of IWNN model, the obtained correlation coefficient was 0.960 and 0.945 for testing and training modes, respectively, and this model has greater ability for predicting the shortage of water in comparison with ANN. Accordingly, the amount of monthly water shortage in this watershed was predicted for 2013 to 2020. Results indicated that shortage of water still remains as in the past years. The average water shortage was estimated nearly as 2.95 million cubic meters (MCM) in the next 7 years, while, this parameter for the past 39 years was 4.04 MCM. Therefore, it is required to take necessary measures for future years, and with careful management plans for exploitation of water resources (agriculture, industry, urban, etc.), it is possible to reduce water shortage in the coming years. <strong><em> </em></strong>                   بارش یکی از فرایند‏های هیدرولوژیک است که تأثیر زیادی در کنترل مدیریت منابع آب دارد. کمبود بارش سبب به‌وجود‌آمدن مشکلات فراوانی از جمله کمبود آب شرب می‏شود. به‌علت اهمیت مسئلۀ کمبود آب، استفاده از روش‏های نوین به‏منظور پیش‏بینی فرایند‏های هیدرولوژیک تأثیر زیادی در برنامه‏ریزی و مدیریت منابع آب خواهد داشت. از این‌رو، در تحقیق حاضر کمبود آب ماهانه در حوضۀ نازلوچای طی یک دورۀ آماری 39ساله (1352‌ـ 1391) با استفاده از مدل شبکۀ عصبی مصنوعی و مدل بهبودیافتۀ موجک‌ـ شبکۀ عصبی، شبیه‏سازی، پیش‏بینی و تحلیل شده است. عملکرد این دو مدل توسط معیار‏های خطای ضریب همبستگی، ضریب تبیین و جذر میانگین مربعات خطا ارزیابی شد. بنا بر نتایج به‌دست‌آمده، مدل موجک‌ـ شبکۀ عصبی با ضریب همبستگی 96/0 و 945/0 که به‌ترتیب مختص به حالت آموزش و آزمون است، نسبت به شبکۀ عصبی مصنوعی توانایی بیشتری برای پیش‏بینی کمبود آب داشت. در ادامه، مقادیر کمبود آب ماهانه در این حوضه طی سال‏های 1392 تا 1399 پیش‏بینی شده است. نتایج نشان می‌‏دهند روند کمبود آب همچنان مانند گذشته باقی است. البته، متوسط میزان کمبود در 8 سال آینده تقریباً 95/2 میلیون متر‌مکعب تخمین زده شد. در حالی که همین پارامتر برای 39 سال گذشته 04/4 میلیون متر‌مکعب بوده است. از این‌‏رو، نیاز است که برای سال‏های آینده اقدامات لازم انجام شود و با برنامه‏ریزی مدیریتی دقیق برای بهره‏برداری از منابع آب (کشاورزی، صنعت، شرب و...)، کاهش میزان کمبود آب در سال‏های آتی ممکن شود. <strong> </strong> https://ije.ut.ac.ir/article_60365_01b6a41c669d979ed6e8f6b95f1c297c.pdf