شبيه سازي ومقايسه ي برآورد رواناب به روش هاي شبكه عصبي،رگرسيون و استنتاج فازي(مطالعه ي موردي: حوضه آبريز دز)

Simulation and comparison of runoff estimation by neural network methods, regression and fuzzy inference(A case study:Dez catchment)

بعلت بروز خشكسالي هاي متمادي و كاهش شديد بارندگي در چند دهه اخير، پيش بيني وضعيت اندازه جريان منابع آب هاي سطحي در رودخانه ها جهت مديريت منابع آب اهميت ويژه اي يافته است. ازاين نظر، اندازه ي بده ي عبوري از رودخانه ها كه مهم ترين منبع تغذيه ي آب پشت سدها است، جزء مهم ترين عوامل در زمينه ي پيش بيني آب هاي سطحي به شمار مي رود. براي ارزيابي دقت شبيه هاي مختلف، از داده هاي رواناب13ايستگاه فاقد روند در حوضه ي آبريز دز استفاده شده است. در اين تحقيق، به منظورشبيه سازي رواناب در حوضه ي آبريز دز، ازروش هاي شبكه عصبي مصنوعي، رگرسيون و استنتاج فازي استفاده گرديد. نتايج شبيه سازي رواناب با كاربرد روش هاي ذكر شده با استفاده از شاخص هاي آماري R،RMSE و NSEارزيابي گرديدند. درحالت كلي نتايج حاكي از دقت قابل قبول هر سه روش مي باشد. مقايسه بين مدل هايANN، ANFIS و SVR نشان داد هر چند كه اختلاف در دقت مدل ها بسيار ناچيز است، مي توان گفت هر سه مدل جواب قابل قبول و نزديك به هم داشته اند. نتايج نشان مي دهد كه ANN و ANFIS با رويكرد كلاسترينگ به ترتيب با نش ساتكليف 0.66 و 0.66 در دوره ي تست، توانايي بيشتري در شبيه سازي نسبت به دو مدل SVR و ANFIS با رويكرد شبكه بندي دارند.

Due to prolonged droughts in the recent decades. The importance of predicting the flow rate of surface water in rivers for water resources management increases. In this regard the flow rates in the natural water ways. Which is the most important supplement source for water in dam storages. are considered as the most vital factors in predicting surface water. To evaluate the accuracy of different models have been used runoff data of thirteen stations without trend in dez catchment. In this study, artificial neural network, support vector regression and adaptive neuro-fuzzy inference system methods with clustering and grid partitioning approaches were used to the simulation of run-off in dez catchment. Simulation results of runoff using the mentioned methods were compared using the statistical indicators of R, RMSE and NSE. Comparison between ANN, ANFIS and SVR showed that although the difference in the accuracy of the models is very small. It can be said that all three models have acceptable answers. The results also show that the ANN and ANFIS with clustering approach models with NSE=0.66 and 0.66 respectively during the test period have the ability to simulate two models SVR and ANFIS with grid partitioning approach