پيش بيني دبي روزانه رودخانه با استفاده از مدل نروفازي (مطالعه موردي: حوزه آبخيز طالقان)

(River Daily Flow Prediction using Neuro-Fuzzy Model (Case Study: Taleghan Watershed

از مهم ترين مسايل در مديريت حوزه هاي آبخيز، پيش بيني فرآيندهاي هيدرولوژيكي مي باشد. استفاده از مدل هاي جديد در اين زمينه مي تواند به مديريت و برنامه ريزي صحيح كمك كند. علاوه برآن پيش بيني جريان رودخانه، مخصوصاً در شرايط سيلابي، به مسوولان اين امكان را خواهد داد كه با آمادگي خسارات ناشي از سيل را كاهش دهند. يكي از روش هايي كه اخيرا براي پيش بيني و برآورد ميزان دبي رودخانه ها به كار مي رود، مدل نروفازي است. نروفازي با بررسي و تشخيص روابط بين ورودي ها و خروجي، به برآورد خروجي مطلوب مي پردازد. در اين مطالعه مقادير سه ساله بارندگي و دبي روزانه ايستگاه هاي مختلف موجود در سطح حوزه آبخيز طالقان، به عنوان ورودي به مدل نروفازي وارد شد و با توجه به نمايه هاي آماري (ريشه ميانگين مربعات خطا، ضريب همبستگي و تبيين)، بهترين ساختار نروفازي و تركيب ورودي ها جهت پيش بيني جريان رودخانه مشخص گرديد. نتايج نشان داد كه بهترين برآوردها مربوط به فازي ساز گوسي بود. با اينكه حالت هاي ورودي مختلفي، نتايج قابل قبولي را ارايه داد، بهترين برآوردها با ضرايب RMSE و R2 (داده هاي آموزش 02/0 و 98/0 - داده هاي آزمون 06/0 و 87/0)، مربوط به ورودي دبي مهران و جوستان و دبي روز قبل گراب و دهدر بود. با توجه به نتايج مشخص شد كه نروفازي با صحت زيادي پيش بيني جريان روزانه را انجام داده است و در مديريت حوزه هاي آبخيز و كنترل سيل مي تواند استفاده شود.

The most important issues of watershed management, is predicting hydrological processes. Using new models in this field can help to management and proper planning. In addition, predicting of river flow, especially in flood conditions, will allow the authorities to reduce flood damage with the preparation. One of the ways which have recently been used to predict and estimate the flow rate of rivers is neuro-fuzzy model. Neuro-fuzzy with review and determine the relationships between inputs and output, estimate the desired output deals. In this study, the three years values of the daily rainfall and discharge of different stations in Taleghan watershed were used as input to the neuro-fuzzy model and according to the statistical coefficients (RMSE, R2 and E), the best structure and inputs composition of neuro-fuzzy to predict the river flow was determined. Results demonstrated that the best estimates were of the Gaussian fuzzfier. Although different input modes, provided acceptable results, Best estimates with coefficients RMSE and R2 (training data 0.02 and 0.98-checking data 0.06 and 0.87), was discharge of Mehran and Joestan and previous day discharge of Garab and Dehdar. The results indicated that neuro-fuzzy can predict the daily flow with high accuracy and can be used in watershed management and flood control.