تخمين هوشمند دبي روزانه با بهره گيري از سامانه استنباط فازي - عصبي تطبيقي

Intelligent estimation of stream flow by Adaptive Neuro-Fuzzy Inference System

در سال هاي اخير ، استفاده از تيوري مجموعه هاي فازي جهت مدلسازي پديدههاي هيدرولوژ يكي كه داراي پيچيدگي و عدم قطعيت بالايي هستند، مورد توجه محققين قرار گرفته است . به همين دليل، در اين پژوهش از مدلي مبتني بر منطق فازي (سيستم استنتاج فازي - عصبي تطبيقي 4) براي انجام فرآيند پيش بيني جريان استفاده شده است . در اين تحقيق، از سه پارامتر بارندگي، دما و دبي روزانه حوضه آبريز ليقوان چاي براي پيش بيني جريان روزانه رودخانه ليقوان استفاده شد . سپس جهت تعيين مدل هاي بهينه ورودي به سيستمها، كرولوگرام دادهها مورد بررسي قرار گرفت. نهايتاً جهت بررسي تاثير دما در پيشبيني، اين فرآيند با تفكيك ماهها، دقت ANFIS انجام ش د. ارزيابي نتايج پيش بينيها با استفاده از معيارهاي گوناگون از جمله معيار ناش - ساتكليف نشان داد كه مدل در پيش بيني داشته است و اين روش مي تواند به عنوان روشي كارآمد و دقيق (RMSE = 0/ و خطاي كمي ( 041 (CNS = 0/ بالا ( 979 در پيشبيني جريان رودخانه به كار گرفته شود . همچنين ، با بررسي نتايج نهايي مشخص شد كه دما تنها در ماه آذر در پيشبيني م وثر بوده است.

In recent years, use of fuzzy collection theories for modeling of hydrological phenomenonʹs that is including complexity and uncertainly is considered scholars. So in this research, Adaptive Neuro- Fuzzy Inference System (ANFIS) is used for performance of river flow forecasting process. In this research, three parameters such as raining, temperature and daily discharge of Lighvanchai basin used for daily river flow forecasting in Lighvan River. Then, for determination optimum Lags of input parameters, is studied correlogram of data. Finally, for study of temperatures effect in forecasting, this processing performed by separate of months. Assessment of prediction results by using various values as Nash-Sutcliff coefficient that showed task that ANFIS model had high exact (CNS = 0.979) and low error (RMSE = 0.041) in prediction and the ANFIS model can be employed successfully in river flow forecasting. Also by assessment of final results determined that temperature in October was affected on prediction and causes exact increase of it.