@article { author = {Shafeizadeh, Mehrdad and Fathian, Hosein and Nikbakht Shahbazi, Alireza}, title = {Continuous rainfall-runoff simulation by artificial neural networks based on efficient input variables selection using partial mutual information (PMI) algorithm}, journal = {Iran-Water Resources Research}, volume = {15}, number = {2}, pages = {144-161}, year = {2019}, publisher = {Iranian Water Resources Association}, issn = {1735-2347}, eissn = {2476-7360}, doi = {}, abstract = {Knowledge on the natural ability of basins is one of fundamental needs to optimal utilization of runoff. Thus, rainfall-runoff simulation in basins is of utmost importance. Continuous simulation of rainfall-runoff in Maroun basin performed using Artificial Neural Networks (ANNs) in order to evaluate the ability and accuracy of ANN for runoff estimation. Considering the fact that the number of rainy days per year less than sunny days, so runoff is caused by two different mechanisms. In continuous rainfall time and a few days later, runoff mainly is from high discharge and low base time. But on most days when there is no rainfall, baseflow has low discharge and long base time .Thus, in this research a double criterion model of rainfall-runoff includes model on rainy days and non rainy days were examined. Also efficient input variables on runoff in the Maroun basin are determined using the partial mutual information (PMI) algorithm. Comparison of statistical criteria between the single criterion model and double criterion model indicated that the double criterion model were more accurate. Therefore, the Nash-Sutcliff coefficient of single criterion model and double criterion model for test stage of network were 0.86 and 0.94 respectively.}, keywords = {Artificial Neural Networks,Input variable selection,PMI algorithm,Continuous Rainfall-Runoff simulation}, title_fa = {شبیه‌سازی پیوسته بارش- رواناب با استفاده از شبکه‌های عصبی مصنوعی برمبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی(PMI)}, abstract_fa = {آگاهی ازتوان طبیعی تولید رواناب درحوضه‌های آبریز یکی از نیازهای اساسی برای برنامه‌ریزی اصولی جهت بهره‌برداری بهینه از رواناب می باشد. از اینرو شبیه‌سازی بارش –رواناب در حوضه‌های آبریز از اهمیت زیادی برخوردار می‌باشد. در این مقاله به شبیه‌سازی پیوسته بارش-رواناب در حوضه سد مارون با شبکه های عصبی مصنوعی پرداخته شد تا توانایی و دقت این شبکه‌ در برآورد رواناب نیز ارزیابی گردد. با توجه با اینکه تعداد روزهای بارندگی در هر سال کمتر از روزهای غیر بارندگی می‌باشد بنابراین رواناب خروجی از حوضه ناشی از دو مکانیسم متفاوت می‌باشد. در زمانهای همراه با وقوع بارش و چند روز بعد از آن، رواناب خروجی از حوضه عمدتا به صورت سیلابهای با دبی زیاد و تداوم کم می باشد. ولی در اکثر روزهای سال که بارندگی وجود ندارد، رواناب خروجی بصورت جریان پایه با مقادیر دبی کم و با تداوم زیاد می‌باشد. بنابراین در این تحقیق سعی بر ارائه یک مدل بارش-رواناب دو ضابطه‌ای شامل مدل مربوط به روزهای بارانی و مدل مربوط به روزهای غیربارانی شده است. همچنین متغیر‌های ورودی موثر در دبی جریان در حوضه مارون با استفاده از الگوریتم اطلاعات متقابل جزیی (PMI) تعیین شده‌اند. مقایسه مقادیر شاخص‌های آماری بین مدل تک‌ضابطه‌ای و مدل دوضابطه‌ای نشان می‌دهد که دقت مدل دوضابطه‌ای در برآورد دبی جریان در ایستگاه ایدنک بیشتر از دقت مدل تک‌ضابطه‌ای می‌باشد. بطوری که ضریب ناش-ساتکلایف برای مدل تک‌ضابطه‌ای و دوضابطه‌ای به ازای مرحله آزمون شبکه به ترتیب برابر با 86/0 و 94/0 می‌باشد.}, keywords_fa = {شبکه‌های عصبی مصنوعی,انتخاب متغیرهای ورودی,الگوریتم PMI,شبیه‌سازی پیوسته بارش- رواناب}, url = {https://www.iwrr.ir/article_82582.html}, eprint = {https://www.iwrr.ir/article_82582_cdec7ba240c4ec174a26f594717f0bc6.pdf} }