توسعه مدل فازي- عصبي تطبيقي به‌منظور پيش‌بيني دبي بيشينه روزانه سيلاب با استفاده از بارش تراكمي پنج روزه

Developing an Adaptive Neuro-fuzzy Model to Predict the Maximum Daily Discharge Using 5-day Cumulative Rainfall

در فرایند بارش رواناب، عوامل بسیاری دخالت دارند كه با عدم قطعیت همراه هستند. یكی از فاكتورهای بسیار مهم در این فرایند، رطوبت اشباع پیشین خاك است. یكی از روش‌هایی كه به این پارامتر توجه دارد، روش ارائه شده توسط سازمان حفاظت خاك آمریكا به نام شماره منحنی است. در این روش، مجموع بارش‌های پنج روز پیش از رخداد دبی اوج سیل، به‌عنوان نماینده شرایط رطوبتی پیشین خاك در نظر گرفته می‌شود. با توجه به این كه پدیده‌های طبیعی به‌دلیل دخالت تعداد زیادی از عوامل و پارامترها با عدم قطعیت همراه هستند، یكی از ابزارهای كارآمد در بررسی رفتار این پدیده‌ها، مدل‌های هوشمند فازی- عصبی تطبیقی هستند. از این رو در این پژوهش به بررسی اثر مجموع بارش‌های پنج روزه در پیش‌بینی دبی بیشینه روزانه سیلاب با استفاده از مدل‌های انفیس پرداخته شد. مدل مذكور با دو الگوریتم آموزشی پس انتشار و هیبرید آموزش دیده شد و سپس با استفاده از آزمون‌های آماری مختلف مورد بررسی قرار گرفت. نتایج، كارآمدی مدل انفیس به‌دست آمده را در بررسی ورودی بارش پنج روزه و خروجی دبی اوج سیل نشان داد. همچنین نتایج حاصل از روش هیبرید، عملكرد بهتری را نشان دادند. بهترین ضریب همبستگی برای مدل 5 روزه و به میزان 985/0 و ریشه میانگین مربعات خطا 162/0 در روش هیبرید بود.

Rainfall is one of the factors involved in increasing soil moisture. Soil moisture, in turn, is a key parameter in the rise and fall of water in the soil which plays an important role in the rainfall-runoff process. It, therefore, requires to be carefully investigated in order to determine its effect on peak flood discharge. One method commonly used for this purpose is the CN-NRCS (curve-number method). Based on this approach, the sum of rainfalls during the 5 days preceding the flood event is taken to represent the soil moisture conditions prior to the event. Given the fact that natural phenomena are always associated with different degrees of uncertainty due to the involvement a multitude of factors, an efficient method for investigating their behavior is the Adaptive Neuro-Fuzzy Intelligent System (ANFIS). Here, we used ANFIS for determining the effect of rainfalls over the five days prior to the flood event in order to predict the maximum daily flood discharge. The model employed the two training algorithms of Back Propagation and Hybrid, which were then tested using different statistical tests and the results were analyzed for each model. The results indicate that the hybrid method outperformed the back propagation method. The best correlation coefficient of the 5-day model was 0.985 and the RMSE (Root Mean Squared Error) was 0.162 in the hybrid method.