فازي تطبيقي مدلسازي بارش رواناب حوضه سلامت آباد كردستان با شبكه عصبي و مدل هاي تجربي

Rainfall-Runoff Modeling of Salamatabad in Kurdistan by Adaptive Neural- Fuzzy Networks and Empirical Models

تهيه مدل هاي پيش بيني جريان رودخانه يكي از مهم ترين مسائل در برنامه ريزي و مديريت منابع آب مي باشد. روش هاي مرسوم گذشته در اين زمينه، عمدتا در قالب مدل هاي قطعي و اتفاقي بوده اند. ايجاد مدل پيش بيني جريان بر اساس روش هاي قبلي معمولا زمان زيادي نياز دارد، به طوري كه در مورد مدل هاي تجربي، با افزايش آمار و اطلاعات، لازم است كليه معادلات را مجددا ارزيابي و اصلاح نمود، اما در روشهاي اخير نياز به تغييرات گسترده نيست. از جمله روش هايي كه امروزه در كنار روش۔ هاي كلاسيك مطرح شده، استفاده از شبكه هاي هوشمند جهت پيش بيني جريان، استفاده شده است، در پژوهش حاضر با بهره گيري از داده هاي مشاهده اي، كاربرد مدل عصبي فازي تطبيقي و برخي از مدل هاي تجربي در برآورد رواناب بررسي شد. پارامترهاي ورودي شامل متوسط بارش سالانه، متوسط دماي هوا سالانه، پارامتر خروجي نيز شامل رواناب سالانه مي باشد. نتايج نشان داد از بين مدل هاي بررسي شده مدل هوشمند عصبي فازي تطبيقي با كمترين ميزان خطا 2/5 درصد و بيشترين ميزان همبستگي 42 / 0 از دقت مناسبي در برآورد رواناب برخوردار است.

One of the most important issues in planning and managing water resources is providing the predictive models for river stream. The traditional methods in this field had been mainly in the form of deterministic and random models. Developing the creative model for stream based on required the considerable amount of time, in such a way that it is necessary in the empirical models that by increasing information all the equations will be revised; however, the new methods do not require such widespread changes. Along the classical mentioned methods, the smart networks are used in order to predict the stream today. This research studies the application of adaptive neural-fuzzy model and some empirical models in estimating runoff using the observational methods. The input parameters include the average annual precipitation ,the mean annual air temperature and runoff output parameters are included as well . The results show that of the studied models, the adaptive fuzzy-neural model with the lowest error rate of 2.5 percent and the highest correlation of 0.42 is rather accurate in estimating the runoff.