مقايسه عملكرد مدل هاي مبتني بر منطق فازي در پيش‌بيني آبدهي روزانه رودخانه ليقوان

Comparing the Performance of Fuzzy Based Models in Stream Flow Forecasting on Lighvan River

پيش‌بيني آبدهي رودخانه و بررسي عوامل موثر بر آن از مهم ترين مباحث مديريت منابع آب به‌شمار مي رود. در سال هاي اخير استفاده ار تيوري مجموعه هاي فازي جهت مدل سازي پديده هاي هيدرولوژيكي كه داراي عدم قطعيت بالايي هستند، مورد توجه محققان قرار گرفته است. در اين پژوهش از مدل هاي مبتني بر منطق فازي شامل سيستم استنتاج فازي (Fuzzy Inference System، FIS) و سيستم استنتاج تطبيقي عصبي- فازي Adaptive Neuro-Fuzzy Inference System، (ANFIS) به‌منظور پيش‌بيني جريان روزانه رودخانه استفاده شده است. به‌اين‌منظور، از سه پارامتر بارندگي، دما و دبي روزانه حوضه آبريز ليقوان چاي براي پيش بيني جريان روزانه رودخانه ليقوان، استفاده شده است. در پيش پردازش اوليه داده ها، تصادفي بودن آن ها با استفاده از آزمون نقاط عطف (نقطه بازگشت) مورد بررسي قرار گرفت. سپس براي تعيين مدل هاي بهينه ورودي به سيستم-ها، همبستگي نگار داده ها مورد بررسي قرار گرفت. در نهايت پيش بيني در دو بخش تركيبي و پيش-بيني بر اساس دبي روزهاي قبل انجام شد. ارزيابي نتايج پيش بيني ها با استفاده از معيارهاي گوناگون از جمله معيار ناش- ساتكليف Nash-Sutcliff Criterion (CNS) نشان داد كه مدل ANFIS با دقت بالاتر (998/0CNS=) و پراكندگي كمتري نسبت به مدل FIS (993/0CNS=) دبي اين رودخانه را پيش بيني كرده است. همچنين با بررسي دو بخش طراحي شده، مشخص شد كه به‌طور كلي، در بررسي دوره‌هاي ساليانه، دما در پيش بيني جريان روزانه اين رودخانه تاثير چنداني نداشته و بارندگي روز جاري موثرتر از دبي دو روز قبل در پيش بيني جريان روزانه مي باشد.

River discharge forecasting and analyzing its influencing factors is one of the most important issues in water resources management. In this research, fuzzy based models (Fuzzy Inference System (FIS) and Adaptive Neuro-Fuzzy Inference System (ANFIS)) is used for performance of river flow forecasting process. Three parameters of precipitation, temperature, and daily discharge of the Lighvanghai basin is used for daily river flow forecasting in Lighvan river. On initial preprocessing of data, the randomness of data studied by return points test. Then, for determination of optimum lags of input parameters correlogram of data was studied. Finally, prediction was performed in two parts of synthetics and discharge of previous days. Assessment of prediction results by using various values as Nash-Sutcliff value showed that ANFIS model could predict discharge of these river with high exact (CNS=0.998) and low dispersion rather than FIS model (CNS=0.993). Also, in prediction of daily discharge through assessment of two designed parts, temperature had no significant effects, but precipitation of current day is more effective than discharge of two days ago