ارزیابی قابلیت مدل‏ های سیستم استنتاج فازیعصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ‏ای سیلاب

سابقه و هدف: توسعه روش‏های برآورد فراوانی منطقه‏‏‏ ای سیلاب در مناطق فاقد ایستگاه‏‏ های اندازه‏گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می‏ باشد. ارزیابی فراوانی سیلاب در حوضه‏ های فاقد ایستگاه‏های اندازه‏ گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدل‏ها)بین سیلاب و ویژگی‏های فیزیکی حوضه انجام می‏ گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانسته‏ اند دبی سیلاب طراحی را با دقت مناسب شبیه‏ سازی کنند. بر همین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده می‏ شد از مدل شبکه‏ های عصبی مصنوعی (ann) و همچنین سیستم استنتاج فازیعصبی تطبیقی (anfis) استفاده شده‏ است این مدل‏ها در واقع از نوع مدل‏های جعبه‏ سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودی‏ها را به خروجی‏ ها (یاخروجی) تبدیل می‏ نماید. این وضعیت در واقع مشابهت این مدل‏ها را با روابط رگرسیونی می‏رساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزن‏ها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیون‏های چند متغیره استفاده می‏شود. مواد و روش‏ها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می‏ باشد. از ایستگاه‏های همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدل‏های ایجاد شده، مورد استفاده قرار گرفتند، برای حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد. یافته‏ ها: برای دست‏یابی به بهترین ساختار شبکه‏ عصبی‏ مصنوعی و همچنین شبیه‏ سازی در سیستم anfis از ترکیبات مختلف فیزیوگرافی به همراه دوره‏ بازگشت به‏ عنوان ورودی استفاده شد. برای بدست آوردن مهمترین عوامل ورودی در مدل‏ها از تحلیل ‏حساسیت در محیط نرم‏ افزار spss استفاده شد، و بدین ترتیب مهمترین متغییر‏های مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول‏ آبراهه اصلی وشیب، در مدل ann ساختارهای مختلف این ورودی‏ها با یکدیگر مقایسه شدند با این توضیح که برای بهینه ‏سازی وزن‏های اتصال در بین لایه های مختلفann از الگوریتم ژنتیک استفاده شده ‏است. بدین ترتیب بهترین شبکه، پیش‏خور با ساختار 110 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم anfis، با افزایش تعداد ورودی‏ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه‏ ای دقت شببیه‏ سازی افزایش یافته به طوری که بهترین شبیه‏ سازی در تابع مثلثی با rmse=0.1514 و r^2=0.97که در آن تعداد قوانین 243 می‏باشد. در پایان با مقایسه مدلanfis ، ann و مدل رگرسیونی مشخص شد که مدل anfis در مقایسه با شبکه عصبی منتخب و مدل رگرسیونی به خصوص در دوره بازگشتهای زیاد از دقت بالاتری برخوردار است. نتیجه‏ گیری:مدل رگرسیونی در زیر حوضه‏ هایی که دبی‏ سیلاب آن‏ها در دوره بازگشت‏های مختلف حدوداً کمتر از m3/s1000 باشد، ازمطابقت خوبی با دبی سیلاب واقعی برخوردار است همچنین مدل شبکه عصبی نیز در دبی‏ های کم دقت خوبی دارند ولی از آنجا که مدل رگرسیونی قادرند پیش‏بینی‏ های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ann و anfis که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمی‏دهند برای مهندسین راحتر می‏باشد ولی در مجموع از نظر دقت پیش‏بینی سیستم استنتاج فازیعصبی تطبیقی(anfis) در تمام دوره بازگشت‏ها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و می‏توان به عنوان بهترین ابزار برای پیش‏بینی دبی سیلاب در دوره ‏بازگشت‏های مختلف در حوضه آبریز کرخه معرفی کرد.

Evaluation of the Ability of Adaptive NeuroFuzzy Interface System, Artificial neural network and Regression to Regional flood analysis.

Background and Objectives: Developing of techniques for regional flood frequency estimation in ungauged sites is one of the foremost goals of contemporary hydrology. The flood frequency evaluation for ungauged catchments is usually approached by deriving suitable statistical relationships (models) between flood statistics and basins characteristics. Already, several equations have been presented to estimate the flood frequency in different areas such as Karkheh basin. However, due to the complexity of this phenomenon, the relationships have not been capable to simulate the flood frequency with desired accuracy. Accordingly, in this study, in addition to the regression method has been used in the previous studies, the ANN and ANFIS models are applied. In fact, these are a type of black box models without any knowledge of processes within the system, in which inputs are converted into outputs (or output). This situation indicates that this type of new models is actually similar to the regression relations, however, there is further flexibility in adjusting the weights and thus can be used as an replacement to multivariate regressions. Materials and Methods: The study area, including 33 hydrometry stations, is located in the west of Iran. In this study, 27 of the stations for calibration and 6 of the stations for validation were used. To approach a unique model, return period was taken into account as the independent factor. Results: For achieving the best ANN and ANFIS system, different combinations of physiographic with return periods, as input data, has been used. To find the important input factors of the models, sensitivity analysis has been performed in SPSS software. Accordingly, the most important independent variables were including: Return period, area, height, main stream length and slope. In the ANN model, different combinations of these inputs were compared together. It should be noted that for optimizing the connecting weights among different layers of ANN, Genetic algorithms have been used. Consequently, the best selected network is Feedforward with the structure of 5101 and R^2=0.95. In the ANFIS system, with increasing the number of input variables for each of the four membership function, including Triangular, Gaussian, Gaussian2 and trapezoidal, simulation accuracy increases. The best simulation is a triangular function with RMSE=0.1514, R^2=0.97and the number of rules is 243. Finally, by comparing models, The ANFIS model was selected as the best model. The ANFIS has the best accuracy especially in high return period. . Conclusion: Where the subbasins are small and their flood in different return periods is less than1000 m3/s, the regression model makes a good accordance with real flood. The ANN model has also good performance in low discharges. The regression presents its forecast in the framework of formulas and it is better and more practical for engineers. Generally, The ANFIS model is the best model for all ranges of the discharge and the best tool for prediction enormous flood in Karkheh basin.