ارزیابی عدم قطعیت مدل‌های ann و anfis در تخمین جریان ورودی به سد رئیس‌علی دلواری

زمینه و هدف: اطلاع دقیق از کمیت آب جاری در رودخانه‌ها تاثیر فراوان بر مدیریت کمی و کیفی منابع آب در جوامع وابسته با آن دارد. در این راستا هدف تحقیق حاضر ارزیابی عدم قطعیت در فرآیند تخمین جریان رودخانه شاپور، ورودی به سد رئیس‌علی دلواری، واقع در استان بوشهر می‌باشد. روش بررسی: برای تخمین جریان ماهانه ورودی به سد رئیس‌علی دلواری از مدل‌‌های هوش مصنوعی شبکه عصبی مصنوعی (ann) و سیستم استنتاج نروفازی تطبیقی (anfis) استفاده گردید. همچنین به منظور بهبود استفاده از نتایج این مدل‌ها در تصمیمات مدیریتی در بخش آب، تعیین عدم قطعیت هر یک از آن‌ها در فرآیند مدل‌سازی جریان انجام شد. در این راستا از نتایج شبیه‌سازی شده در اجرای هر مدل تحت الگوهای متفاوتی از داده‌های واسنجی، استفاده و برای ارزیابی عدم قطعیت هر مدل نیز از دو شاخص عرض محدوده اطمینان (dfactor) و 95 درصد عدم قطعیت پیش‌بینی‌ها واقع شده در این محدوده (95ppu) استفاده گردید. یافته‌ها: مطابق نتایج به دست آمده از مدل‌های ann و anfis بهینه اجرا شده، مشخص گردید که اگر چه مقادیر آماره‌های ضریب تعیین (r2) و قدرمطلق میانگین خطاها (mae) برای هر دو مدل از مقادیر مناسبی برخوردار بودند، اما عملکرد آن‌ها در برخی نقاط با دبی بالا با خطای قابل توجهی همراه بود. همچنین با بررسی نتایج عدم قطعیت مدل‌ها مشخص شد مدل anfis با مقدارdfactor کم‌تر و مقدار شاخص 95ppu بزرگ‌تر، از عدم قطعیت کم‌تری نسبت به مدل ann برخوردار بود. بحث و نتیجه‌گیری: با توجه به عملکرد تقریباً یکسان هر دو مدل ann و anfis در مراحل واسنجی و صحت‌سنجی، می‌توان مدل anfis را به عنوان مدل بهینه تخمین جریان ماهانه ورودی به سد رئیس‌علی دلواری به دلیل دارا بودن عدم قطعیت کم‌تر پیشنهاد نمود.

Uncertainty Evaluation of ANN and ANFIS Models in Inflow Forecasting into the RaeesAli Delvari Dam

Background and Objective: Accurate information about the river flow significantly influences the water resources management for the communities that use the water. In this regard, this study aims to present a reliable prediction of the monthly discharge of Shahpour River, inflow to RaeesAli Delvari Dam, located in the Boushehr Province, Iran. Methods: To forecast the monthly inflow to RaeesAli Delvari Dam, the artificial intelligence models, i.e. artificial neural network (ANN) and adaptive neurofuzzy inference system (ANFIS), were applied. Also, uncertainty determination of the both models was carried out in order to improve the application of their results in the management decisions in the water sector. In this regard, the simulated results of the models, tuned with the different pattern of calibration data, were used. Two indices, i.e. the width of confidence band (dfactor) and the values bracketed by 95 percent prediction uncertainties (95PPU) were applied in order to evaluate the models’ uncertainty.  Findings: Results of tuned ANN and ANFIS models indicated that although the both models had the appropriate values of determination coefficient (R2) and mean absolute error (MAE), their performance was along with considerable errors in the high extreme values. Besides, a look at through the uncertainty results of the models indicated the ANFIS model, that included the less dfactor and higher 95PPU values, had less uncertainty than the ANN. Discussion and Conclusion: Considering the same performance of the both ANN and ANFIS models in the calibration and test steps, it can be concluded that the ANFIS model was the best selection for monthly inflow prediction into RaeesAli Delvari Dam due to its less uncertainty that ANN model.