ارزيابي كارايي روش پيش بيني موضعي ناشي از بازسازي فضاي فاز و مدل شبكه عصبي مصنوعي به منظور پيش بيني رواناب (مورد مطالعاتي: ايستگاه پل كهنه، كرمانشاه)

Efficiency assessment of local prediction method considering reconstruction of phase space and artificial neural network model for prediction of runoff (Case Study: Pole-kohneh Station, Kermanshah)

در اين تحقيق دو روش شبكه عصبي مصنوعي و روش بر پايه تئوري آشوب به منظور پيش بيني روزانه، هفتگي و ماهانه رواناب ايستگاه پل كهنه بر رودخانه قره سو به كار گرفته شده اند. نتايج حاصل از پيش بيني با استفاده از روش پيش بيني موضعي مبين نزديكي نتايج با داده هاي مشاهداتي در مقياس هاي روزانه و هفتگي و عدم تطابق مناسب در مقياس ماهانه بوده كه بيانگر وجود آشوبناكي در مقياس هاي روزانه و هفتگي است. همچنين نتايج پيش بيني شده با استفاده از شبكه عصبي در مقياس هاي روزانه و هفتگي برخلاف مقياس ماهانه ضعيف تر از روش پيش بيني موضعي بوده است.

In this research prediction methods of artificial neural network and chaos theory are employed to predict daily، weekly and monthly runoff. For this، runoff series data observed at Pole-Kohneh located in the Qareh-Soo River. The nonlinear predictions of chaos are found to be in close agreement with the observed runoff، with high correlation coefficient for daily and weekly time scales. Predicted results of monthly time scale are not satisfying which indicating the chaos behavior in daily and weekly scales. The predicted results of ANN are inferior to chaos for daily and weekly scales but superior to chaos for monthly scale.