fa مقایسه روش رگرسیون غیرخطی با روش‌های هوش محاسباتی در برآورد توزیع مکانی آب معادل برف در سراب کارون عمومی Ggeneral پژوهشي Research معمولاً برای ارزیابی منابع آب مرتبط با برف در حوضه های کوهستانی، از آب معادل برف استفاده می شود. در این تحقیق، با بهره گیری از داده های مشاهده ای، کاربرد رگرسیون غیرخطی، شبکه عصبی مصنوعی و هم‌چنین بهینه سازی پارامترهای شبکه با روش الگوریتم ژنتیک در برآورد ضخامت برف و آب معادل آن بررسی شد. بدین منظور مقادیر برآورد شده با شبکه عصبی مصنوعی، روش تلفیقی شبکه عصبی- الگوریتم ژنتیک و روش رگرسیونی با مقادیر مشاهده شده مقایسه گردید. بدین-منظور اندازه‌گیری‌های صحرایی در بهمن سال 1384 در سراب کارون انجام گردید. هم‌چنین ضریب هم‌بستگی، میانگین مربع خطا و میانگین خطای مطلق برای ارزیابی کارایی مدل‌های مختلف شبکه های عصبی مصنوعی و رگرسیون غیرخطی مورد استفاده قرارگرفت. با توجه به نتایج به دست آمده، روش های شبکه عصبی مصنوعی و شبکه عصبی تلفیق یافته با الگوریتم ژنتیک در برآورد آب معادل برف مناسب تشخیص داده شدند. به طور کلی از میان روش‌های به کار رفته، روش شبکه عصبی تلفیق یافته با الگوریتم ژنتیک بهترین نتیجه (84/0r=، 041/0MSE= و 051/0MAE=) را در بر داشته است. با توجه به پارامترهای مورد بررسی، ارتفاع از سطح دریا، مهم‌ترین پارامتر مؤثر جهت برآورد آب معادل برف است. In mountainous basins, snow water equivalent is usually used to evaluate water resources related to snow. In this research, based on the observed data, the snow depth and its water equivalent was studied through application of non-linear regression, artificial neural network as well as optimization of network's parameters with genetic algorithm. To this end, the estimated values by artificial neural network, neural network-genetic algorithm combined method and regression method were compared with the observed data. The field measurement were carried out in the Samsami basin in February 2006. Correlation coefficient (r) mean square error (MSE) and mean absolute error (MAE) were used to evaluate efficiency of the various models of artificial neural networks and nonlinear regression models. The results showed that artificial neural network and genetic algorithm combined methods were suitable to estimate snow water equivalent. In general, among the methods used, neural network-genetic algorithm combined method presented the best result (r= 0.84, MSE= 0.041 and MAE= 0.051). Of the parameters considered, elevation from sea level is the most important and effective to estimate snow water equivalent. آب معادل برف، شبکه عصبی مصنوعی، الگوریتم ژنتیک، رگرسیون غیرخطی، حوضه کارون Snow water equivalent, Artificial neural network, Genetic algorithm, Non-linear regression, Karoon basin. 29 40 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-564-2&slc_lang=fa&sid=1 H Tabari حسین طبری No S Marofi صفر معروفی smarofi@yahoo.com Yes H Zare Abiane حمید زارع ابیانه No R Amiri Chayjan رضا امیری چایجان No M Sharifi محمدرضا شریفی No A.M Akhondali علی محمد آخوندعلی No