بررسی تأثیر توالی دبی روزانه در پیش بینی جریان رودخانه با استفاده از الگوریتم های هوشمند (مطالعه موردی: حوزۀ آبخیز کسیلیان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی جریان رودخانه در دوره های زمانی آینده، از مسائل مهم و کاربردی در مدیریت منابع آب است. در حقیقت تعیین یک مدل قابل اطمینان و انتخاب وروی ها با تأخیر زمانی مناسب برای پیش بینی دبی جریان، یک موضوع کلیدی برای مدیران حوزه آبخیز، هیدرولوژیست ها و مهندسان رودخانه است. در چند دهه اخیر استفاده از الگوریتم های هوشمند و تئوری مجموعه های فازی برای مدل سازی پدیده های هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، مورد توجه محققان قرار گرفته است. در این راستا در پژوهش حاضر به منظور پیش بینی جریان در حوزه آبخیز کسیلیان، از مدل سیستم استنتاج عصبی- فازی تطبیقی و از ورودی دبی جریان با تأخیر یک روز قبل، دو روز قبل تا هفت روز قبل استفاده شد. سپس برای بررسی بیشتر این فرایند، از مدل شبکه عصبی مصنوعی نیز استفاده شد و نتایج براساس شاخص های آماری ضریب تبیین و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاکی از این بود که در مدل سیستم استنتاج عصبی- فازی تطبیقی تا گام زمانی چهار روز قبل، پیش بینی جریان رو به بهبود بود و بعد از آن رو به نزول گذاشت و در مدل شبکه عصبی مصنوعی تا گام زمانی پنج روز قبل بهترین نتایج را ارائه داد. همچنین مقایسه و ارزیابی نتایج شاخص های آماری الگوهای بهینه هر دو مدل در دوره آزمون نشان داد که مدل سیستم استنتاج عصبی- فازی تطبیقی (ضریب تبیین= 60/0 و جذر میانگین مربعات خطا= 64/0) نسبت به مدل شبکه عصبی مصنوعی (ضریب تبیین=51/0 و جذر میانگین مربعات خطا= 74/1)، از دقت بیشتری برای پیش بینی جریان رودخانه برخوردار بود.Investigating the Effect of Daily Discharge Sequence in River Flow Forecasting Using Intelligent Algorithms (Case study: Kasilian watershed)
In fact, determination of a reliable model and selection of inputs with proper time lags for river flow forecasting is a key topic for watershed managers, hydrologists, and river engineers. In recent decades use of intelligent algorithms and fuzzy theories for modeling of hydrological phenomena has been noticed by researchers. In this regard, in the present study adaptive neuro-fuzzy inference system (ANFIS) and different input patterns of flow discharge (with 1-7 day time lags) was used in order to river flow forecast of Kasilian watershed. Then in order to further investigate of this process, artificial neural network (ANN) model was used and the results were evaluated using coefficient of determination (R 2 ) and root mean square error (RMSE). The results showed that river flow prediction were improved using 1-4 day time lags in ANFIS model and 1-5 day time lags in ANN model. Evaluation of standard statistics values of the best input patterns during validation phase indicated that ANFIS with R 2 =0.60 and RMSE=0.64 had higher accuracy than ANN with R 2 =0.51 and RMSE=1.74 in river flow forecasting.
تبلیغات
