تخمين آب نمود سيلاب بر اساس اجزاي مختلف بارندگي با استفاده از شبكه عصبي فازي تطبيقي در حوزه آبخيز كسيليان

Flood Hydrograph Estimation Based on Various Components of Rainfall Using Adaptive Neuro-Fuzzy Inference System in Kasilian Watershed

تهيه و تخمين آب­ نمود سيلاب براي برنامه ­ريزان و مديران آب و خاك از اطلاعات اساسي محسوب مي­ شود. حال آن­كه تهيه آن براي تمامي حوزه ­هاي آبخيز به سادگي امكان‌پذير نمي­ باشد. از اين رو تخمين و مدل­ سازي مناسب آب‌نمودهاي سيلاب با استفاده از داده ­هاي قابل دسترس باران امري ضروري به نظر مي رسد. منطقه مورد مطالعه حوزه آبخيز معرف كسيليان واقع در استان مازندران به مساحت 75/ 66 كيلومتر مربع مي ­باشد. براي انجام تحقيق حاضر 15 ويژگي از باران­ نمود به عنوان متغير مستقل، 8 ويژگي از آب­نمود به عنوان متغير وابسته براي 60 رگبار از سال 1354 تا 1388 مدنظر قرار گرفت. براي تخمين آب­نمود سيل از شبكه عصبي فازي تطبيقي با دو روش تفكيك شبكه ­اي و تفكيك خوشه ­اي استفاده شد. به منظور انتخاب متغيرهاي ورودي مدل از روش عامل تورم واريانس استفاده شد. نتايج شبكه عصبي فازي تطبيقي نشان داد كه روش تفكيك خوشه ­اي عملكرد بهتري نسبت به روش تفكيك شبكه ­اي داشته است.

Flood hydrographs preparation and estimation are considered a comprehensive information for managers and planners. While, it is not simply possible preparing it for all watersheds. Therfore, suitable flood hydrograph estimation and modeling seems to be necessary using available rainfall data. The study area is located in Kasilian representative watershed in Mazandaran province comprising 66.75km2 in area. For the accomplished present study, 15 characteristics of hyetograph as independent variables and 8 characteristics of hydrograph as dependent variables were considered for 60 storms from 1975 to 2009. For estimation flood hydrograph, aadaptive neuro-fuzzy inference system with two methods i.e., grid partitioning and subtractive clustering was used. Variance inflation factor (VIF) was used to select the input variables. The ANFIS results showed that subtractive clustering was found to be superior to grid partitioning.