بررسی تاثیر توالی دبی روزانه در پیش‌بینی جریان رودخانه با استفاده از الگوریتم‌‌های هوشمند (مطالعۀ موردی: حوزۀ آبخیز کسیلیان)

پیش‌‌بینی جریان رودخانه در دوره‌های زمانی آینده، از مسائل مهم و کاربردی در مدیریت منابع آب است. در حقیقت تعیین یک مدل قابل‌اطمینان و انتخاب وروی‌‌ها با تاخیر زمانی مناسب برای پیش‌‌بینی دبی جریان، یک موضوع کلیدی برای مدیران حوزۀ آبخیز، هیدرولوژیست‌‌ها و مهندسان رودخانه است. در چند دهۀ اخیر استفاده از الگوریتم‌های هوشمند و تئوری مجموعه‌‌های فازی برای مدل‌‌سازی پدیده‌‌های هیدرولوژیکی که دارای پیچیدگی و عدم‌قطعیت بالایی هستند، مورد توجه محققان قرار گرفته است. در این راستا در پژوهش حاضر به‌منظور پیش‌‌بینی جریان در حوزۀ آبخیز کسیلیان، از مدل سیستم استنتاج عصبی فازی تطبیقی و از ورودی دبی جریان با تاخیر یک روز قبل، دو روز قبل تا هفت روز قبل استفاده شد. سپس برای بررسی بیشتر این فرایند، از مدل شبکۀ عصبی مصنوعی نیز استفاده شد و نتایج براساس شاخص‌‌های آماری ضریب تبیین و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاکی از این بود که در مدل سیستم استنتاج عصبی فازی تطبیقی تا گام زمانی چهار روز قبل، پیش‌‌بینی جریان رو به بهبود بود و بعد از آن رو به نزول گذاشت و در مدل شبکۀ عصبی مصنوعی تا گام زمانی پنج روز قبل بهترین نتایج را ارائه داد. همچنین مقایسه و ارزیابی نتایج شاخص‌‌های آماری الگوهای بهینۀ هر دو مدل در دورۀ آزمون نشان داد که مدل سیستم استنتاج عصبی فازی تطبیقی (ضریب تبیین= 0.60 و جذر میانگین مربعات خطا= 0.64) نسبت‌به مدل شبکۀ عصبی مصنوعی (ضریب تبیین=0.51 و جذر میانگین مربعات خطا= 1.74)، از دقت بیشتری برای پیش‌‌بینی جریان رودخانه برخوردار بود.

investigating the effect of daily discharge sequence in river flow forecasting using intelligent algorithms (case study: kasilian watershed)

in fact, determination of a reliable model and selection of inputs with proper time lags for river flow forecasting is a key topic for watershed managers, hydrologists, and river engineers. in recent decades use of intelligent algorithms and fuzzy theories for modeling of hydrological phenomena has been noticed by researchers. in this regard, in the present study adaptive neuro fuzzy inference system (anfis) and different input patterns of flow discharge (with 1 7 day time lags) was used in order to river flow forecast of kasilian watershed. then in order to further investigate of this process, artificial neural network (ann) model was used and the results were evaluated using coefficient of determination (r2) and root mean square error (rmse). the results showed that river flow prediction were improved using 1 4 day time lags in anfis model and 1 5 day time lags in ann model. evaluation of standard statistics values of the best input patterns during validation phase indicated that anfis with r2=0.60 and rmse=0.64 had higher accuracy than ann with r2=0.51 and rmse=1.74 in river flow forecasting.