ارزيابي كارايي روش توابع متعامد تجربي نسبت به سيستم استنتاج فازي و شبكه عصبي مصنوعي براي پيش‌بيني جريان

Evaluation of empirical orthogonal functions to the fuzzy inference system and artificial neural network to predict the flow

براي پيش بيني مقدار جريان ورودي، معمولا دو روش كلي مدل‌سازي متكي به فرآيند و مدل سازي متكي به داده استفاده مي‌شود. از جمله روش‌هاي متكي به داده در زمينه پيش بيني جريان رودخانه، مدل هاي شبكه عصبي مصنوعي، مدل هاي رگرسيون، مدل هاي سري زماني و مدل هاي منطق فازي مي باشد. در اين تحقيق كارايي روش ديگري به نام تكنيك توابع متعامد تجربي نسبت به روش‌هاي شبكه عصبي مصنوعي و سيستم استنتاج فازي براي پيش بيني جريان ماهانه ورودي به مخزن سد لتيان مورد ارزيابي قرار گرفت. پنج مدل ساخته شده توسط شبكه عصبي مصنوعي و سيستم استنتاج فازي شبيه هم بوده كه بستگي به باران، دما و دبي دارد و مدل‌هاي ساخته شده توسط توابع متعامد تجربي فقط بستگي به دبي در ايستگاه لتيان و ايستگاه‌هاي مجاور دارد. ابتدا براي هر مدل بهترين تركيب شناسايي شد سپس فاكتورهاي آماري CE ، MAPE ، RMSE و CORR در بهترين تركيب‌هاي هر مدل مورد مقايسه قرار گرفت. نتايج عددي نشان داد بهترين مدل مربوط به سيستم استنتاج فازي مي باشد. لذا كارايي اين مدل نسبت به مدل هاي شبكه عصبي و توابع متعامد بيشتر مي‌باشد.

To predict the value of the streamflow, usually two methods of the Process-driven methods and Data – driven methods is used. Including Data – driven methods in river flow forecasting is artificial neural network, regression, time series and fuzzy logic. In this study, performance of another method empirical orthogonal functions than artificial neural network and fuzzy inference system to predict monthly inflow Latyan Dam reservoir was evaluated. Five models of ANN and ANFIS are similar and depends on rainfall, temperature and streamflow. Whereas five models of EOF depends on only streamflow in Latian station and Adjacent stations. Initial for all models the best combination identified, then statistical parameters of CE, MAPE, RMSE, CORR in the best combinations of all models were compared. The results showed that the fuzzy inference system, a better performance than the other way round.