ارزيابي عدم قطعيت مدل‌هاي ANN و ANFIS در تخمين جريان ورودي به سد رئيس‌علي دلواري

Uncertainty Evaluation of ANN and ANFIS Models in Inflow Forecasting into the Raees-Ali Delvari Dam

زمينه و هدف: اطلاع دقيق از كميت آب جاري در رودخانه‌ها تاثير فراوان بر مديريت كمي و كيفي منابع آب در جوامع وابسته با آن دارد. در اين راستا هدف تحقيق حاضر ارزيابي عدم قطعيت در فرآيند تخمين جريان رودخانه شاپور، ورودي به سد رئيس‌علي دلواري، واقع در استان بوشهر مي‌باشد. روش بررسي: براي تخمين جريان ماهانه ورودي به سد رئيس‌علي دلواري از مدل‌‌هاي هوش مصنوعي شبكه عصبي مصنوعي (ANN) و سيستم استنتاج نروفازي تطبيقي (ANFIS) استفاده گرديد. همچنين به منظور بهبود استفاده از نتايج اين مدل‌ها در تصميمات مديريتي در بخش آب، تعيين عدم قطعيت هر يك از آن‌ها در فرآيند مدل‌سازي جريان انجام شد. در اين راستا از نتايج شبيه‌سازي شده در اجراي هر مدل تحت الگوهاي متفاوتي از داده‌هاي واسنجي، استفاده و براي ارزيابي عدم قطعيت هر مدل نيز از دو شاخص عرض محدوده اطمينان (d-factor) و 95 درصد عدم قطعيت پيش‌بيني‌ها واقع شده در اين محدوده (95PPU) استفاده گرديد. يافته‌ها: مطابق نتايج به دست آمده از مدل‌هاي ANN و ANFIS بهينه اجرا شده، مشخص گرديد كه اگر چه مقادير آماره‌هاي ضريب تعيين (R2) و قدرمطلق ميانگين خطاها (MAE) براي هر دو مدل از مقادير مناسبي برخوردار بودند، اما عملكرد آن‌ها در برخي نقاط با دبي بالا با خطاي قابل توجهي همراه بود. همچنين با بررسي نتايج عدم قطعيت مدل‌ها مشخص شد مدل ANFIS با مقدار d-factor كم‌تر و مقدار شاخص 95PPU بزرگ‌تر، از عدم قطعيت كم‌تري نسبت به مدل ANN برخوردار بود. بحث و نتيجه‌گيري: با توجه به عملكرد تقريباً يكسان هر دو مدل ANN و ANFIS در مراحل واسنجي و صحت‌سنجي، مي‌توان مدل ANFIS را به عنوان مدل بهينه تخمين جريان ماهانه ورودي به سد رئيس‌علي دلواري به دليل دارا بودن عدم قطعيت كم‌تر پيشنهاد نمود.

Background and Objective: Accurate information about the river flow significantly influences the water resources management for the communities that use the water. In this regard, this study aims to present a reliable prediction of the monthly discharge of Shahpour River, inflow to Raees-Ali Delvari Dam, located in the Boushehr Province, Iran. Methods: To forecast the monthly inflow to Raees-Ali Delvari Dam, the artificial intelligence models, i.e. artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS), were applied. Also, uncertainty determination of the both models was carried out in order to improve the application of their results in the management decisions in the water sector. In this regard, the simulated results of the models, tuned with the different pattern of calibration data, were used. Two indices, i.e. the width of confidence band (d-factor) and the values bracketed by 95 percent prediction uncertainties (95PPU) were applied in order to evaluate the models’ uncertainty. Findings: Results of tuned ANN and ANFIS models indicated that although the both models had the appropriate values of determination coefficient (R2) and mean absolute error (MAE), their performance was along with considerable errors in the high extreme values. Besides, a look at through the uncertainty results of the models indicated the ANFIS model, that included the less d-factor and higher 95PPU values, had less uncertainty than the ANN. Discussion and Conclusion: Considering the same performance of the both ANN and ANFIS models in the calibration and test steps, it can be concluded that the ANFIS model was the best selection for monthly inflow prediction into Raees-Ali Delvari Dam due to its less uncertainty that ANN model.