شبیه سازی ومقایسه ی برآورد رواناب به روش های شبکه عصبی،رگرسیون و استنتاج فازی(مطالعه ی موردی: حوضه آبریز دز)

به علت بروز خشکسالی های متمادی و کاهش شدید بارندگی در چند دهه اخیر، پیش بینی وضعیت اندازه جریان منابع آب های سطحی در رودخانه ها جهت مدیریت منابع آب اهمیت ویژه ای یافته است. ازاین نظر، اندازه ی بده ی عبوری از رودخانه ها که مهم ترین منبع تغذیه ی آب پشت سدها است، جزء مهم ترین عوامل در زمینه ی پیش بینی آب های سطحی به شمار می رود. برای ارزیابی دقت شبیه های مختلف، از داده های رواناب13ایستگاه فاقد روند در حوضه ی آبریز دز استفاده شده است. در این تحقیق، به منظورشبیه سازی رواناب در حوضه ی آبریز دز، ازروش های شبکه عصبی مصنوعی، رگرسیون و استنتاج فازی استفاده گردید. نتایج شبیه سازی رواناب با کاربرد روش های ذکر شده با استفاده از شاخص های آماری r،rmse و nseارزیابی گردیدند. درحالت کلی نتایج حاکی از دقت قابل قبول هر سه روش می باشد. مقایسه بین مدل هایann، anfis و svr نشان داد هر چند که اختلاف در دقت مدل ها بسیار ناچیز است، می توان گفت هر سه مدل جواب قابل قبول و نزدیک به هم داشته اند. نتایج نشان می دهد که ann و anfis با رویکرد کلاسترینگ به ترتیب با نش ساتکلیف 0.66 و 0.66 در دوره ی تست، توانایی بیشتری در شبیه سازی نسبت به دو مدل svr و anfis با رویکرد شبکه بندی دارند.

simulation and comparison of runoff estimation by neural network methods, regression and fuzzy inference(a case study:dez catchment)

due to prolonged droughts in the recent decades. the importance of predicting the flow rate of surface water in rivers for water resources management increases. in this regard the flow rates in the natural water ways. which is the most important supplement source for water in dam storages are considered as the most vital factors in predicting. to evaluate the accuracy of different similarities runoff data of thirteen stations without trend have been used in dez catchment. in this study artificial neural network, regression and fuzzy inference methods were used to runoff simulation in dez catchment. simulation results of runoff using the mentioned methods were compared using the statistical indicators of r, rmse and nse. in general, the results indicated acceptable accuracy of all the models.