مدل سازی دبی ماهانه ورودی به مخزن سد جامیشان با مدل های خودهمبسته با میانگین متحرک تجمعی و سامانه استنتاج فازی- عصبی انطباقی

مدل سازی سری‌های زمانی هیدرولوژیکی یکی از مهم‌ترین موضوعات در مدیریت منابع آب است. در این پژوهش دبی ماهانه‌ ورودی به مخزن سد جامیشان در استان کرمانشاه (غرب ایران) با استفاده از مدل های خودهمبسته با میانگین متحرک تجمعی (arima) و سامانه استنتاج فازی-عصبی انطباقی (anfis) مدل‌سازی گردید. این مدل‌ها به-ترتیب بر پایه‌ روش‌های تصادفی (stochastic) و هوش مصنوعی (ai) هستند. برای مدل سازی تا بیشینه پنج پارامتر برای مدل arima در نظر گرفته شد که 1296 مدل تولید و بر سری زمانی برازش داده شد. برای مدل anfis نیز 14 نوع ترکیب ورودی با استفاده از دبی‌های با تاخیرهای مختلف تعیین گردید. در تولید سامانه استنتاج فازی (fis) از دو روش شبکه بندی (gp) و خوشه بندی تفریقی (sc) استفاده شد. در آموزش شبکه نیز دو الگوریتم پس انتشار خطا (bp) و الگوریتم ترکیبی (hybrid) به کاربرده شد. دبی های ماهانه مدل سازی شده توسط مدل های arima و anfis به کمک شاخص های مختلف از جمله شاخص میانگین قدر مطلق خطای نسبی (mare) با یکدیگر مقایسه شدند که مقدار آن به-ترتیب برابر 398/0 و 8/0 برای هر مدل به دست آمد. نتایج به دست آمده نشان داد مدل arima در مدل سازی دبی‌های با مقادیر کم و مدل سازی های کوتاه‌مدت و درازمدت بسیار توانمندتر از anfis هست

Modeling the Monthly Inflow to Jamishan Dam Reservoir Using AutoregressiveIntegrated Moving Average and Adaptive Neuro Fuzzy Inference SystemModels

Hydrological time series modeling is one of the most important issues in water resourcemanagement. In this paper monthly inflow to Jamishan dam reservoir in Kermanshah province(west of Iran) is modeled by AutoRegressive Integrated Moving Average (ARIMA) and AdaptiveNeuroFuzzy Inference System (ANFIS) models. These models are based on stochastic andArtificial Intelligence (AI) methods, respectively. For modeling up to five parameters in theARIMA model were used and produced 1296 models which were fitted on the time series. InANFIS model 14 input combinations were defined using the discharges with different lags. Twostates of Grid Partitioning (GP) and Subtractive Clustering (SC) were used in Fuzzy InterfaceSystem (FIS) generation. Also, in training network Back Propagation (BP) and hybrid algorithmswere used. Monthly modeled discharges were compared in the ARIMA and ANFIS models bysome indexes such as Mean Absolute Relative Error (MARE) index which was obtained 0.398 and0.8 for each model, respectively. The result showed that the ARIMA model was much moreaccurate than ANFIS model in modeling low discharges and also in short and long times modeling.