تخمین هوشمند دبی روزانه با بهره گیری از سامانه استنباط فازی - عصبی تطبیقی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان - ایران

2 دانشیار دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد – ایران

3 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان - ایران

چکیده

در سال های اخیر، استفاده از تئوری مجموعه های فازی جهت مدل سازی پدیده های هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، مورد توجه محققین قرار گرفته است. به همین دلیل، در این پژوهش از مدلی مبتنی بر منطق فازی (سیستم استنتاج فازی - عصبی تطبیقی4) برای انجام فرآیند پیش بینی جریان استفاده شده است. در این تحقیق، از سه پارامتر بارندگی، دما و دبی روزانه حوضه آبریز لیقوان چای برای پیش بینی جریان روزانه رودخانه لیقوان استفاده شد. سپس جهت تعیین مدل های بهینه ورودی به سیستم ها، کرولوگرام داده ها مورد بررسی قرار گرفت. نهایتاً جهت بررسی تأثیر دما در پیش بینی، این فرآیند با تفکیک ماه ها، انجام شد. ارزیابی نتایج پیش بینی ها با استفاده از معیارهای گوناگون از جمله معیار ناش - ساتکلیف نشان داد که مدل ANFIS دقت بالا (979/0 = CNS) و خطای کمی (041/0 = RMSE) در پیش بینی داشته است و این روش می تواند به عنوان روشی کارآمد و دقیق در پیش بینی جریان رودخانه به کار گرفته شود. همچنین، با بررسی نتایج نهایی مشخص شد که دما تنها در ماه آذر در پیش بینی مؤثر بوده است.

کلیدواژه‌ها

عنوان مقاله [English]

Intelligent estimation of stream flow by Adaptive Neuro-Fuzzy Inference System

نویسندگان [English]

  • Morteza Nabizadeh 1
  • Abolfazl Mosaedi 2
  • Amir Ahmad Dehghani 3
1
2
3
چکیده [English]

In recent years, use of fuzzy collection theories for modeling of hydrological phenomenon's that is including complexity and uncertainly is considered scholars. So in this research, Adaptive Neuro-Fuzzy Inference System (ANFIS) is used for performance of river flow forecasting process. In this research, three parameters such as raining, temperature and daily discharge of Lighvanchai basin used for daily river flow forecasting in Lighvan River. Then, for determination optimum Lags of input parameters, is studied correlogram of data. Finally, for study of temperatures effect in forecasting, this processing performed by separate of months. Assessment of prediction results by using various values as Nash-Sutcliff coefficient that showed task that ANFIS model had high exact (CNS = 0.979) and low error (RMSE = 0.041) in prediction and the ANFIS model can be employed successfully in river flow forecasting. Also by assessment of final results determined that temperature in October was affected on prediction and causes exact increase of it.

کلیدواژه‌ها [English]

  • adaptive neuro-fuzzy inference system (ANFIS)
  • forecasting
  • Fuzzy logic
  • Lighvanchai basin
  • Water resource engineering

فایل ها

هم رسانی

ارجاع به این مقاله

آمار