پیش بینی دبی روزانه رودخانه با استفاده از مدل نروفازی (مطالعه موردی: حوزه آبخیز طالقان)

از مهم ترین مسائل در مدیریت حوزه های آبخیز، پیش بینی فرآیندهای هیدرولوژیکی می باشد. استفاده از مدل های جدید در این زمینه می تواند به مدیریت و برنامه ریزی صحیح کمک کند. علاوه برآن پیش بینی جریان رودخانه، مخصوصاً در شرایط سیلابی، به مسوولان این امکان را خواهد داد که با آمادگی خسارات ناشی از سیل را کاهش دهند. یکی از روش هایی که اخیرا برای پیش بینی و برآورد میزان دبی رودخانه ها به کار می رود، مدل نروفازی است. نروفازی با بررسی و تشخیص روابط بین ورودی ها و خروجی، به برآورد خروجی مطلوب می پردازد. در این مطالعه مقادیر سه ساله بارندگی و دبی روزانه ایستگاه های مختلف موجود در سطح حوزه آبخیز طالقان، به عنوان ورودی به مدل نروفازی وارد شد و با توجه به نمایه های آماری (ریشه میانگین مربعات خطا، ضریب همبستگی و تبیین)، بهترین ساختار نروفازی و ترکیب ورودی ها جهت پیش بینی جریان رودخانه مشخص گردید. نتایج نشان داد که بهترین برآوردها مربوط به فازی ساز گوسی بود. با اینکه حالت های ورودی مختلفی، نتایج قابل قبولی را ارائه داد، بهترین برآوردها با ضرایب rmse و r2 (داده های آموزش 0.02 و 0.98 داده های آزمون 0.06 و 0.87)، مربوط به ورودی دبی مهران و جوستان و دبی روز قبل گراب و دهدر بود. با توجه به نتایج مشخص شد که نروفازی با صحت زیادی پیش بینی جریان روزانه را انجام داده است و در مدیریت حوزه های آبخیز و کنترل سیل می تواند استفاده شود.

River Daily Flow Prediction using Neuro-Fuzzy Model(Case Study: Taleghan Watershed)

The most important issues of watershed management, is predicting hydrological processes. Using new models in this field can help to management and proper planning. In addition, predicting of river flow, especially in flood conditions, will allow the authorities to reduce flood damage with the preparation. One of the ways which have recently been used to predict and estimate the flow rate of rivers is neurofuzzy model. Neurofuzzy with review and determine the relationships between inputs and output, estimate the desired output deals. In this study, the three years values of the daily rainfall and discharge of different stations in Taleghan watershed were used as input to the neurofuzzy model and according to the statistical coefficients (RMSE, R2 and E), the best structure and inputs composition of neurofuzzy to predict the river flow was determined. Results demonstrated that the best estimates were of the Gaussian fuzzfier. Although different input modes, provided acceptable results, Best estimates with coefficients RMSE and R2 (training data 0.02 and 0.98checking data 0.06 and 0.87), was discharge of Mehran and Joestan and previous day discharge of Garab and Dehdar. The results indicated that neurofuzzy can predict the daily flow with high accuracy and can be used in watershed management and flood control.