@article { author = {Heydarzadeh, Maryam}, title = {The ability of the artificial neural network to estimate the flow of the Minab River in Hormozgan Province}, journal = {Geography (Regional Planning)}, volume = {11}, number = {42}, pages = {633-642}, year = {2021}, publisher = {Qeshm Institute of Higher Education}, issn = {2228-6462}, eissn = {‪2783-2112}, doi = {}, abstract = {Accurate forecasting of effective parameters in water resources projects is one of the most important research topics for water engineers. One of these parameters is river flow. In this paper, the neural network is used in two ways: multi-layered perceptron network (MLP) network, with error post-propagation algorithm and radial base function (RBF) and using Matlab and SPSS 19 software to estimate Dubai in Minab watershed using data. Simultaneous daily rainfall and daily water supply have been used for Brentin, Glasgard and Faryab stations for a period of 25 years. In this study, in order to investigate and determine the highest rainfall effect of each of the stations on the Dubai River, the impact of 5 consecutive days of rainfall on Dubai on a daily basis (p0, p-1, p-2, p 3.3, p-4, p-5) For each station and jointly, the first and second to fifth day rains were performed for stations with two to two subscribers. The results showed that the multi-layered perceptron (MLP) method had the lowest error (RMSE) and the highest correlation (R^ 2) between daily precipitation at all three stations measured with Dubai. Also, the first day's rainfall in the couple's stations and the first and fifth day's rain in the single stations have the greatest impact on Dubai's output}, keywords = {Neural Network,flow estimation,Minab River,MLP network,RBF network}, title_fa = {توانایی شبکه عصبی مصنوعی در برآورد جریان رودخانه میناب استان هرمزگان}, abstract_fa = {پیش‌بینی دقیق پارامترهای مؤثر در طرح های منابع آب، یکی از مهمترین مباحث تحقیقی مهندسان آب می‌باشد از جمله این پارامترها دبی رودخانه است. در این مقاله از شبکه عصبی به دو روش شبکه پرسپترون چند لایه (MLP) و با الگوریتم پس انتشار خطا و تابع پایه شعاعی (RBF) و با استفاده از نرم‌افزا ر متلب و 19 SPSS به منظور تخمین دبی در حوزه آبخیز میناب با استفاده از داده‌های هم‌زمان بارش روزانه و دبی‌آب روزانه ایستگاه‌های برنطین، گلاشگرد و فاریاب برای یک دوره 25 ساله استفاده شده است. در این تحقیق به منظور بررسی و تعیین بیش‌ترین تاثیر بارندگی هر یک از ایستگاه‌ها بر دبی آب رودخانه میناب، تاثیر 5 روز متوالی بارش بر دبی را به صورت هر روز جداگانه (p0 ، p-1،p-2، p-3، p-4، p-5) برای تک تک ایستگاه‌ها و به صورت مشترک، بارش روز اول و دوم الی روز پنجم برای ایستگاه‌هایی که دو به دو مشترک در نظر گرفته شده، انجام شده است. نتایج بدست آمده نشان داد که روش چند لایه پرسپترون (MLP) کمترین خطا (RMSE) و بالاترین همبستگی (R^2) بین بارش روزانه در هر سه ایستگاه با دبی اندازه گیری شده را نشان داد. همچنین بارش روز اول در ایستگاه‌های زوجی و بارش روز اول و پنجم در ایستگاه‌های منفرد بیشترین تاثیر را در تولید دبی خروجی حوضه دارد}, keywords_fa = {شبکه عصبی,برآورد جریان,رودخانه‌ی میناب,شبکهMLP,شبکهRBF}, url = {http://www.jgeoqeshm.ir/article_128852.html}, eprint = {http://www.jgeoqeshm.ir/article_128852_d9f6a77a0510a4ba7ceb4997b481de37.pdf} }