پيش بيني جريان رودخانه با استفاده از سامانه استنتاج فازي (FIS) وسامانه استنتاج فازي- عصبي تطبيقي (ANFIS)

River Flow Forecasting Using Fuzzy Inference System (FIS) and Adaptive Neuro-Fuzzy Inference System (ANFIS)

در سال هاي اخير استفاده ازنظريه مجموعه هاي فازي جهت مدل سازي پديده هاي آب شناختي كه داراي پيچيدگي و عدم قطعيت بالايي هستند، مورد توجه پژوهشگران قرار گرفته است. از اين رو، در اين پژوهش از مدل هاي مبتني بر منطق فازي شامل سامانه استنتاج فازي (FIS) و سامانه استنتاج فازي- عصبي تطبيقي (ANFIS) به منظور پيش بيني جريان رودخانه استفاده شده است. در اين پژوهش از داده هاي دبي روزانه حوزه آبخيز ليقوان چاي به مدت 6 سال (از سال آبي 76-1375 تا سال آبي 81-1380) براي پيش بيني جريان رودخانه ليقوان، استفاده شد. در پيش پردازش اوليه داده ها، تصادفي بودن آن ها با استفاده از آزمون نقاط عطف مورد بررسي قرار گرفت. سپس جهت تعيين مدل هاي بهينه ورودي به سامانه ها، كرولوگرام داده ها مورد بررسي قرار گرفت. در نهايت پيش بيني در 5 مدل كه با دبي هاي روز قبل طراحي شدند، انجام شد. ارزيابي نتايج پيش بيني ها با استفاده از معيارهاي آماري نشان داد كه مدل ANFIS با دقت بالاتر و پراكندگي كمتري (0234/0RMSE= براي دوره آزمون) نسبت به مدل FIS (1982/0RMSE= براي دوره آزمون) دبي اين رودخانه را پيش بيني كرده است. همچنين اين مدل در شبيه سازي دبي هاي پيك نسبت به مدل FIS دقيق تر عمل مي نمايد.

In recent years, using fuzzy sets theory in modeling of complex and uncertain hydrological phenomena has attracted research workers. For this reason, in this research for river flow forecasting, we have used models of FIS and ANFIS which are based on fuzzy logic. Data of daily flow discharges were provided from Lighvanchay watershed for 6 years. For considering the randomness of data, return points test was used. Then correlogram of data was employed to determine the input optimum models and finally 5 models of discharge forecasting designed based on previous days’ discharge. The results showed that ANFIS was more precise and less disperse (RMSE=0.0234) with compare to FIS (RMSE=0.1982). The ANFIS was also more precise in peak discharges simulation than FIS