براورد رواناب با استفاده از استنتاج عصبي فازي و رگرسيون درحوضه ي آبريز دز

Assessment of Adaptive neural fuzzy inference systems and support vector regression in runoff estimation(A case study:Dez Basin)

تخمين دبي جريان در حوضه آبريز، به دليل تاثير ان در مديريت منابع آب، مي تواند نقش اقتصادي مهمي داشته باشد.در اين تحقيق، ازمدل هاي(ANN)،(SVR)و(ANFIS) جهت پيش بيني رواناب حوضه آبريز دزاستفاده شده است. همبستگي بين ايستگاه ها بررسي و ايستگاههاي كمندان،زورآباد و دره تخت به دليل همبستگي اندك با ايستگاههاي اطراف،حذف شدند سپس به دليل عدم بررسي دخالت انساني، با استفاده از نرم افزارxlstatروند ايستگاهها بررسي و ايستگاههاي فاقد روند انتخاب شدند.جهت ارزيابي عملكرد مدل ها ازضريب همبستگي(R)،ضريب نش-ساتكليف (NSE)وريشه ي ميانگين مربعات خطا(RMSE)استفاده شده است.نتايج اين تحقيق حاكي از برتريANFISبا رويكردكلاسترينگ نسبت به رويكرد شبكه بندي است.مدل هاي(ANN)،(ANFIS)و(SVR) توانايي خوبي در شبيه سازي جريان حوضه آبريز دز داشته اند.

Estimation of discharge flow in basin due to impact on water resource management can have an important economic role.In this research several computationals intelligence techniques suchas:ANN,SVR and ANFIS have been used to prediction the runoff dez basin.correlation between stations was investigated and stations of kamandan,zoorabad and daretakht were eliminated due to small correlation with around stations.then due to lack of human intervention with using xlstat software were evaluated trend of stations and were selected stations without trend.Inorder to evaluate the performance of models were used correlation,RMSE and NSE.Results of this research showed that ANFISwith clustering approach gives better estimation than grid partitioning approach.ANN, ANFIS and SVR have agood ability to simulate the flow of dez basin.