ارزیابی کارایی دو مدل نروفازی و هیبرید موجکی- عصبی در پیش بینی جریان رودخانه (مطالعه موردی: حوضه محمد آباد)

از مهم ترین مسائل در مدیریت حوزه های آبخیز، پیش بینی فرآیندهای هیدرولوژیکی بارش رواناب می باشد. استفاده از مدل های جدید در این زمینه می تواند به مدیریت و برنامه ریزی صحیح کمک کند. علاوه بر آن پیش بینی جریان رودخانه، مخصوصاً در شرایط سیلابی، به مسئولان این امکان را خواهد داد که با آمادگی خسارت ناشی از سیل را کاهش دهند. با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها به کار برده می شوند، تا بتوان با به کارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آن ها را به حداقل ممکن رساند. در این مطالعه برای پیش بینی سری زمانی جریان روزانه ایستگاه آب سنجی سرمو واقع بر رودخانه محمدآباد، مدل نروفازی و هیبرید موجکی عصبی مورد استفاده قرار گرفت. برای این هدف سری زمانی اصلی به مدت 28 سال به وسیله تبدیل موجکی به سه زیر سری و با موجک مادر دابچیز نوع چهارم انجام شد. مقدار ضریب همبستگی در مدل نروفازی 0.88 و در مدل هیبرید موجکیعصبی 0.95 به دست آمده است و نیز پارامترهای ارزیابی rmse، mse، ns در مدل موجکی عصبی به ترتیب 0.004، 0.043 و 0.91 و در مدل نروفازی به ترتیب 0.32، 0.10 و 0.77 بدست آمد. در نهایت نتایج حاصل از تبدیل موجکی عصبی با نتایج حاصل از نروفازی، مقایسه و ملاحظه شد که روش موجکی عصبی نسبت به روش نروفازی دقت پیش بینی بالاتری دارد.

Evaluation of the Neuro-Fuzzy and Hybrid Wavelet-Neural Models Efficiency in River Flow Forecasting (Case Study: Mohmmad Abad Watershed)

One of the most important issues in watersheds management is rainfallrunoff hydrological process forecasting. Using new models in this field can contribute to proper management and planning. In addition, river flow forecasting, especially in flood conditions, will allow authorities to reduce the risk of flood damage. Considering the importance of river flow forecasting in water resources management, various methods are used to model rivers flow in order to minimize their potential damage by using the model in drought and flood management. In this study, the neurofazzy and hybrid neuralwavelet models were used to forecast the daily flow time series of the Sarmo water meter station located on the Mohammad Abad River. For this purpose, the original time series has been translated to three subseries for 28 years using wavelet transformation and type IV Daubechies mother wavelet. The correlation coefficient value was obtained 0.88 for neurofuzzy model and 0.95 for hybrid wavelet neural model, and the RMSE, MSE, and NS evaluation parameters in neuralwavelet model were 0.004, 0.043, and 0.91, respectively; these parameters in neurofuzzy model were 0.32, 0.10, and 0.77, respectively. Finally, the results of waveletneural transformation were compared with the results of neurofuzzy model, and it was observed that the wavelet neural method has a higher predictive accuracy than the neurofuzzy method.