| مقایسه عملکرد شبکه عصبی مصنوعی و سامانه استنتاج عصبی فازی تطبیقی در شبیه سازی فرآیند بارش - رواناب (مطالعه موردی: حوزه آبخیز کورکورسر نوشهر) |
| کد مقاله : 1211-CFIS (R3) |
| نویسندگان |
|
کمال قادری *1، بهارک معتمدوزیری2، ساهره یحیی پور3 1کاندیدای دکتری، گروه آبخیزداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران 2استادیار، گروه آبخیزداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 3دانش آموخته کارشناسی ارشد آنالیز عددی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه |
| چکیده مقاله |
| بارش – رواناب یک فرآیندی غیرخطی است که پیچیدگی و عدم قطعیت فراوانی دارد و با توجه به این مشکلات و نبود داده های کافی، مدل سازی این فرآیند با استفاده از مدل های فیزیکی و در چنین شرایطی، استفاده از محاسبات نرم و مدل های هوش مصنوعی اجتناب پذیر است. این پژوهش به منظور بررسی کارایی شبکه عصبی مصنوعی (ANN) و سیستم استنتاج عصبی فازی تطبیقی (ANFIS)، در مدل سازی فرایند بارش – رواناب و شناسایی تاثیر رواناب به عنوان ورودی در کارایی مدل است. معیارهای کارایی آماری ریشه میانگین مربع خطا (RMSE)، ضریب کارایی ناش ساتکلیف (NSE) و ضریب همبستگی (R) برای ارزیابی و مقایسه عملکرد مدل ها در پیش بینی رواناب روزانه مورد استفاده قرار گرفتند. نتایج نشان دادند که مدل ANFIS با 0096/0=RMSE، 7933/0=NSE و ضریب همبستگی برابر با 9135/0، نسبت به مدل عصبی مصنوعی با 01105/0=RMSE، 72883/0=NSE و ضریب همبستگی برابر با 85728/0، و هیدروگراف به دست آمده، مطابقت بیشتری بر هیدروگراف مشاهداتی داشته است. ترکیب هایی که علاوه بر بارش، رواناب را نیز به عنوان ورودی دارند نسبت به ترکیب هایی که فقط بارش را به عنوان ورودی لحاظ می کنند عملکرد بهتری داشتند. بهترین ترکیب بارش و رواناب، ترکیب (بارش روز جاری، بارش روز قبل، دبی روز قبل) بوده و در صورت نبود داده های دبی، ترکیب (بارش روز جاری و بارش روز قبل) در هر دو مدل به طور قابل قبولی می تواند دبی خروجی را پیش بینی کند. |
| کلیدواژه ها |
| پیش بینی رواناب روزانه، حوضه کورکورسر، کورلوگرام، محاسبات نرم |
| وضعیت: پذیرفته شده برای ارائه شفاهی |