در دﻫﻪ ﻫﺎی اﺧﻴﺮ ﺑﻪ دﻻﻳﻞ ﻣﺨﺘﻠﻒ ﻣﺎﻧﻨﺪ اﻓﺰاﻳﺶ آﻣﺎر وﻗﻮع ﺳﻴﻼب و ﺑﻪ ﺗﺒﻊ آن اﻓﺰاﻳﺶ ﺧﺴﺎرات ﺟﺎﻧﻲ و ﻣﺎﻟﻲ، اﻓﺰاﻳﺶ ﻧﻴﺎز ﺑﻪ ﺗﻮﻟﻴﺪ اﻧﺮژی ﺑﺮﻗﺎﺑﻲ، اﻓﺰاﻳﺶ ﻧﻴﺎز ﺑﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﭘﺘﺎﻧﺴﻴﻞ آﺑﺪﻫﻲ ﺣﻮزه ﻫﺎی آﺑﺨﻴﺰ ﺑﻪ ﻣﻨﻈﻮر ﺗﻌﻴﻴﻦ ﻣﺎزاد رواﻧﺎب ﺗﻮﻟﻴﺪ ﺷﺪه در ﺣﻮﺿﻪ از ﻇﺮﻓﻴﺖ رودﺧﺎﻧﻪ ﺑﺮای ﺗﺪوﻳﻦ ﻃﺮح ﻫﺎی ﻣﺨﺘﻠﻒ آﺑﺮﺳﺎﻧﻲ ﺷﻬﺮی، ﺻﻨﻌﺘﻲ و ﻛﺸﺎورزی و ﻃﺮاﺣﻲ ﺳﺎزه ﻫﺎی ﻣﺨﺘﻠﻒ آﺑﻲ و ﻏﻴﺮه، ﺗﻤﺎﻳﻞ ﻣﺤﻘﻘﻴﻦ و ﻫﻴﺪروﻟﻮژﻳﺴﺘﻬﺎ ﺑﺮای ﭘﻴﺶ ﺑﻴﻨﻲ ﺻﺤﻴﺢ، دﻗﻴﻖ و ﺑﻪ ﻣﻮﻗﻊ رواﻧﺎب ﻫﺎی ﻧﺎﺷﻲ از ﺑﺎرﻧﺪﮔﻲ، ﺑﻪ ﻣﻴﺰان ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ اﻓﺰاﻳﺶ ﻳﺎﻓﺘﻪ اﺳﺖ .ﺑﻴﺸ روﺷﻬﺎی ﻤﺎری ﺑﺮای اﻳﻦ ﻣﻨﻈﻮر ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﻧﺪ ﻛﻪ از اﻳﻦ ﻣﻴﺎن، ﻣﻴﺘﻮان ﺑﻪ ﻣﺪﻟﻬﺎی ﻫﻴﺪروﻟﻮژﻳﻜﻲ، رواﺑﻂ رﮔﺮﺳﻴﻮﻧﻲ و ﺗﻮاﺑﻊ اﻧﺘﻘﺎل اﺷﺎره ﻛﺮد . اﻣﺎ دﻫﻪ ﻫﺎی اﺧﻴﺮ ﻣﻄﺎﻟﻌﺎت ﺑﻴﺸﺘﺮ ﺑﻪ ﺳﻮی روش ﻫﺎﻳﻲ ﻣﺘﻤﺎﻳﻞ ﺷﺪه اﻧﺪ ﻛﻪ ﺑﺘﻮاﻧﻨﺪ ﺷﺮاﻳﻂ ﻃﺒﻴﻌﻲ را ﺗﺎ ﺣﺪودی درک ﻛﻨﻨﺪ و ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از آﻧﻬﺎ از دﻗ ﺑﺎﺷﻨﺪ ﺖ و ﺻﺤﺖ ﻣﻨﺎﺳﺐ ﺑﺮﺧﻮردار . ﻳﻜﻲ از روش ﻫﺎﻳﻲ ﻛﻪ در ﭼﻨﺪ دﻫﻪ اﺧﻴﺮ در ﺑﺴﻴﺎری از رﺷﺘﻪ ﻫﺎ از ﺟﻤﻠﻪ ﻫﻴﺪروﻟﻮژی ﺗﻮﺳﻌﻪ ﻳﺎﻓﺘﻪ اﺳﺖ، اﺳﺘﻔﺎده از روﺷﻬﺎی ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﻧﻈﻴﺮ ﻣﻨﻄﻖ ﻓﺎزی، ﺷﺒﻜﻪ ﻫﺎی ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﻣﻲ ﺑﺎﺷﺪ. ﭘﻴﺶ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ در ﻛﺸﻮر ﻣﺎ ﻧﻴﺰ در دﻫﻪ ﻫﺎی اﺧﻴﺮ ﻧﻴﺎز ﺑﻪ ﺑﻴﻨﻲ دﻗﻴﻖ و ﺳﺮﻳﻊ رواﻧﺎب از روی آﻣﺎر ﺑﺎرﻧﺪﮔﻲ ﺑﻪ ﻋﻠﺖ اﻓﺰاﻳﺶ ﺗﻌﺪاد ﺳﻴﻼب ﻫﺎ و ﺧﺴﺎرات ﻧﺎﺷﻲ از آﻧﻬﺎ و ﻧﻴﺎز ﺑﻪ اﻳﺠﺎد ﺳﻴﺴﺘﻢ ﻫﺸﺪار ﺳﻴﻞ، اﻓﺰاﻳﺶ ﺗﻤﺎﻳﻞ ﺑﻪ اﺣﺪاث ﺳﺎزه ﻫﺎی آﺑﻲ، اﻓﺰاﻳﺶ ﺧﺸﻚ ﺳﺎﻟﻲ ﻫﺎ و ﻧﻴﺎز ﺑﻪ ﻣﺪﻳﺮﻳﺖ ﺗﻮزﻳﻊ آب ﻣﻮﺟﻮد و ﻏﻴﺮه، ﺑﻪ ﺷﺪت اﻓﺰاﻳﺶ ﻳﺎﻓﺘﻪ اﺳﺖ، ﺗﻮﺳﻌﻪ و اﺟﺮای روش ﻫﺎی ﻣﻨﺎﺳﺐ ﺑﺮای ﭘﻴﺶ ﺑﻴﻨﻲ رواﻧﺎب از روی داده ﻫﺎی ﺑﺎرش ﺑﺴﻴﺎر ﺿﺮوری ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ. در اﻳﻦ ﻣﻄﺎﻟﻌﻪ اﺑﺘﺪا ﺑﺎ اﺳﺘﻔﺎده از آﻣﺎر روزاﻧﻪ ﺑﺎرش- رواﻧﺎب، ﺑﻪ ﺑﺮرﺳﻲ ﻛﺎرآﻳﻲ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ و ﺳﻴﺴﺘﻢ ﻋﺼﺒﻲ ﻓﺎزی در ﺗﺨﻤﻴﻦ رواﻧﺎب ﺣﺎﺻﻞ از ﺑﺎرش ﭘﺮداﺧﺘﻪ ﺷﺪ و ﺳﭙﺲ ﻣﻴﺰان دﻗﺖ و ﺻﺤﺖ اﻳﻦ دو روش ﺑﺎ ﺑﻬﺮه ﮔﻴﺮی از روش ﻫﺎی آﻣﺎری، ﻣﻘﺎﻳﺴﻪ ﺷﺪ . ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﮔﺮﭼﻪ ﺧﺮوﺟﻲ ﻫﺎی ﺣﺎﺻﻞ از ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ و ﺳﻴﺴﺘﻢ ﻓﺎزی ﻋﺼﺒﻲ ﻣﺘﻔﺎوت ﻣﻲ ﺑﺎﺷﻨﺪ وﻟﻲ اﻳﻦ دو روش ﺑﻪ ﻣﻴﺰان ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﻗﺎدر ﺑﻪ ﺗﺨﻤﻴﻦ رواﻧﺎب ﺣﺎﺻﻞ از ﺑﺎرش ﻫﺴﺘﻨﺪ.

کلمات کلیدی