ارزيابي كارايي دو مدل نروفازي و هيبريد موجكي- عصبي در پيش بيني جريان رودخانه (مطالعه موردي: حوضه محمد آباد)

از مهم­ترين مسائل در مديريت حوزه­ هاي آبخيز، پيش­بيني فرآيندهاي هيدرولوژيكي بارش- رواناب مي­باشد. استفاده از مدل­هاي جديد در اين زمينه مي ­تواند به مديريت و برنامه­ريزي صحيح كمك كند. علاوه بر آن پيش­بيني جريان رودخانه، مخصوصاً در شرايط سيلابي، به مسئولان اين امكان را خواهد داد كه با آمادگي خسارت ناشي از سيل را كاهش دهند. با توجه به اهميت پيشبيني جريان رودخانه در مديريت منابع آب روش­هاي مختلفي براي مدل كردن جريان رودخانه ­ها به ­كار برده مي شوند، تا بتوان با به­ كارگيري اين مدل در مديريت خشكسالي و سيلاب خسارات ناشي از آن­ها را به حداقل ممكن رساند. در اين مطالعه براي پيش­بيني سري زماني جريان روزانه ايستگاه آب سنجي سرمو واقع بر رودخانه محمدآباد، مدل نروفازي و هيبريد موجكي- عصبي مورد استفاده قرار گرفت. براي اين هدف سري زماني اصلي به مدت 28 سال به­ وسيله تبديل موجكي به سه زير سري و با موجك مادر دابچيز نوع چهارم انجام شد. مقدار ضريب همبستگي در مدل نروفازي 88/0 و در مدل هيبريد موجكي-عصبي 95/0 به­دست آمده است و نيز پارامترهاي ارزيابي RMSE، MSE، NS در مدل موجكي- عصبي به ­ترتيب 004/0، 043/0 و 91/0 و در مدل نروفازي به ترتيب 32/0، 10/0 و 77/0 بدست آمد. در نهايت نتايج حاصل از تبديل موجكي- عصبي با نتايج حاصل از نروفازي، مقايسه و ملاحظه شد كه روش موجكي- عصبي نسبت به روش نروفازي دقت پيش­بيني بالاتري دارد.

One of the most important issues in watersheds management is rainfall-runoff hydrological process forecasting. Using new models in this field can contribute to proper management and planning. In addition, river flow forecasting, especially in flood conditions, will allow authorities to reduce the risk of flood damage. Considering the importance of river flow forecasting in water resources management, various methods are used to model rivers flow in order to minimize their potential damage by using the model in drought and flood management. In this study, the neuro-fazzy and hybrid neural-wavelet models were used to forecast the daily flow time series of the Sarmo water meter station located on the Mohammad Abad River. For this purpose, the original time series has been translated to three sub-series for years using wavelet transformation and type IV Daubechies mother wavelet. The correlation coefficient value was obtained for neuro-fuzzy model and for hybrid wavelet -neural model, and the RMSE, MSE, and NS evaluation parameters in neural-wavelet model were , , and , respectively; these parameters in neuro-fuzzy model were and , respectively. Finally, the results of wavelet-neural transformation were compared with the results of neuro-fuzzy model, and it was observed that the wavelet- neural method has a higher predictive accuracy than the neuro-fuzzy method.