بازسازي دبي روزانه با استفاده از روش هاي شبكه عصبي و فازي - عصبي (مطالعه موردي: سرشاخه هاي حوزه آبخيز كارون)

براي برآورد دبي روزانه در مدل هاي هيدرولوژي نياز به دبي هاي پيوسته در بازه زماني روزانه هست. تعداد سال هاي آماري متفاوت، نواقص آماري و خطاي اندازه گيري باعث ايجاد سري هاي زماني با پايه زماني غيرمشترك مي گردد. بنابراين بازسازي داده هاي دبي روزانه از اهميت ويژه اي برخوردار است. اين تحقيق به منظور بازسازي دبي روزانه در يكي از سرشاخه هاي رودخانه كارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقيق با استفاده از داده هاي دبي روزانه دو ايستگاه بالادست و روش هاي شبكه عصبي، فازي-عصبي و رگرسيون دومتغيره دبي روزانه ايستگاه پائين دست بازسازي گرديد. در مرحله دوم با گروه بندي مقادير دبي به سال هاي خشك، نرمال و مرطوب دبي روزانه بازسازي شد. نتايج نشان داد روش هاي شبكه عصبي و فازي داراي دقت بالا تري نسبت به روش رگرسيون دومتغيره براي بازسازي دبي روزانه بود. بين مدل هاي مختلف شبكه عصبي و فازي مدل شبكه عصبي پرسپترون (MLP)داراي قابليت مناسب تري نسبت به بقيه مدل ها است. همچنين گروه بندي دبي به سال هاي خشك، نرمال و مرطوب باعث كاهش خطا در بازسازي دبي روزانه گرديد. بر اساس شاخص ميانگين خطاي نسبي (MRE) به ترتيب سال هاي نرمال، مرطوب و خشك كمترين خطا در بازسازي دبي روزانه را دارند.