پيش بيني رواناب با استفاده از مدل هاي هوشمند

Runoff prediction using intelligent models

پيش بيني رواناب رودخانه ها به‌دليل اهميت زياد آن در برنامه ريزي ها، بهره برداري از مخازن و همچنين مديريت آب هاي سطحي همواره مورد توجه مسئولان، برنامه ريزان و مهندسان آب و منابع آبي بوده است. از طرفي، به‌دليل تغييرات زماني و مكاني موجود، روابط غيرخطي و عدم قطعيت و بسياري از عوامل ديگر پيش بيني رابطۀ بارش‌ـ رواناب بسيار مشكل است، اما امروزه استفاده از سامانه هاي هوشمند در پيش بيني چنين پديده هاي پيچيده‌اي مي تواند مفيد و مؤثر باشد. در اين پژوهش سعي شده است با استفاده از داده هاي هواشناسي و هيدرومتري طي دورۀ زماني 1349-1350 تا 1390-1391 رواناب در حوضۀ آبخيز امامه با استفاده از مدل هاي شبكۀ عصبي پرسپترون چندلايه، تابع پايۀ شعاعي و سيستم عصبي فازي تطبيقي تخمين زده شود. نتايج نشان داد از بين مدل هاي يادشده سيستم عصبي فازي تطبيقي عملكرد بسيار زيادي داشته است و به‌خوبي ميتواند رواناب را پيشبيني كند به‌طوريكه با توجه به خطاها ساختار 54 با هشت ورودي شامل بارندگي و دبي تا تأخير دو روز و دما، تبخير و تعرق و رطوبت نسبي همان روز كه داراي تابع عضويت گوسي و جداسازي از نوع خوشهاي با خطاي MSE، RMSE و MAE به‌ترتيب 0/001، و 0/008 در مرحلۀ آموزش و 0/001، 0/026 و 0/008 در مرحلۀ آزمايش به‌عنوان بهترين مدل حوضۀ امامه بوده است.

River runoff prediction because of its high importance in planning, reservoir operation and management of surface water has always attracted the attention of officials, planners and water engineers and water resources. On the other hand because of availab temporal and spatial changes, non-linear relationships and uncertainty, and many other factors to predict rainfall-runoff relationship is very difficult. But todays the use of intelligent systems can be useful for predicting such complex phenomena. In this study, using meteorological and hydrometric data for the period 1970-1971 to 2011-2012 to estimate runoff in the watershed Amameh using MLP, RBF, and ANFIS were used. The results showed that out of models ANFIS has the best function and can predict runoff very well. So that according errors, the structure model number 54 with eight inputs including rainfall and runoff to delay for two days and temperature, evaporation and relative humidity and cluster seperation and its errors was 0.001, 0.025 and 0.008 in training stage and 0.001, 0.026 and 0.008 in test stage was the best model in Amameh Watershed.