شبيه سازي فرآيند بارش- رواناب با استفاده از شبكه عصبي مصنوعي و سيستم فازي- عصبي تطبيقي (مطالعه موردي: حوزه آبخيز حاجي قوشان)

Simulation of Rainfall-Runoff Process using Artificial Neural Network and Adaptive Neuro-Fuzzy Interface System(Case Study: Hajighoshan Watershed)

پيش بيني رواناب به صورت كوتاه مدت به دليل رابطه مستقيم آن با چگونگي تعامل مديران با خطرات جاني ناشي از سيلاب ها، از اهميت خاصي برخوردار است. در اين تحقيق با استفاده از شبكه هاي عصبي مصنوعي (ANN) و فازي عصبي تطبيقي (ANFIS)، اقدام به شبيه سازي فرآيند بارش- رواناب به صورت روزانه، در حوزه آبخيز حاجي قوشان شده است. در اين سيستم ها سه تركيب مختلف ورودي شامل بارندگي همان روز، بارندگي همان روز و روز قبل، بارندگي همان روز و روز قبل و دو روز قبل از آن، مورد استفاده قرار گرفت. هم چنين در شبكه ANFIS از توابع مختلف گوسي، گوسي نوع 2، مثلثي و زنگوله اي استفاده شد و تعداد نرون هاي لايه مخفي در شبكه عصبي بين 2 تا 10 نرون متغير بود. معيارهاي آماري متوسط ريشه مربع خطا (RMSE)، متوسط قدر مطلق خطا (MAE) و ضريب همبستگي (R) براي ارزيابي و مقايسه عملكرد شبكه هاي عصبي مصنوعي و مدل ANFIS در پيش بيني رواناب، مورد استفاده قرار گرفت. مدل ANFIS با 11/7RMSE=، 18/2MAE= و 60/0R= نسبت به مدل ANN با 03/6RMSE=، 97/1MAE= و 39/0R=، فرآيند بارش- رواناب را با دقت بالاتري پيش بيني نموده است.

Short-term runoff forecasting is very important due to direct relationship between mangers approach with loss of life by flood. In this study, daily rainfall-runoff modeling was carried out in Hajighoshan watershed using artificial neural networks (ANNs) and adaptive neuro-fuzzy interface system (ANFIS) with different inputs(current day rainfall; current rainfall and pervious day rainfall; current rainfall, pervious day rainfall and two previous day) methods. Also, the different functions i.e. Gaussian, Gaussian 2, Triangular, Gaussian Bell shape were used to ANFIS and number of neurons at hidden layer of ANNs were changed between 2 to 10 neurons. Root mean squared error (RMSE), mean absolute error (MAE) and correlation coefficient (R) statistics are employed to evaluate the performance of the ANNs and ANFIS models for runoff forecasting. Based on the results of test stage, ANFIS with RMSE=7.11, MAE=2.18 and R=0.60 is superior to rainfall-runoff modeling than the ANN with RMSE=6.03, MAE=1.97 and R=0.39.