خلاصة:
پیشبینی جریان رودخانه در دورههای زمانی آینده از مسائل مهم و کاربردی در مدیریت منابع آب است. در حقیقت تعیین یک مدل قابل اطمینان و انتخاب ورودیها با تاخیر زمانی مناسب برای پیشبینی دبی جریان، یک موضوع کلیدی برای مدیران حوضه آبخیز، هیدرولوژیستها و مهندسین رودخانه میباشد. در چند دهه اخیر استفاده از الگوریتم های هوشمند و تئوری مجموعههای فازی جهت مدلسازی پدیدههای هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، مورد توجه محققین قرار گرفته است. در این راستا در پژوهش حاضر به منظور پیشبینی جریان در حوضه آبخیز کسیلیان، از مدل سیستم استنتاج عصبی- فازی تطبیقی و از ورودی دبی جریان با تاخیر یک روز قبل، دو روز قبل، .... تا هفت روز قبل استفاده گردید. سپس جهت بررسی بیشتر این فرایند از مدل شبکه عصبی مصنوعی نیز استفاده شد و نتایج بر اساس شاخصهای آماری ضریب تبیین و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاکی از این بود که در مدل سیستم استنتاج عصبی- فازی تطبیقی تا گام زمانی چهار روز قبل، پیشبینی جریان رو به بهبود بوده و بعد از آن رو به نزول گذاشت و در مدل شبکه عصبی مصنوعی تا گام زمانی پنج روز قبل بهترین نتایج را ارائه داد. همچنین مقایسه و ارزیابی نتایج شاخصهای آماری الگوهای بهینهی هر دو مدل در دوره آزمون نشان داد که مدل سیستم استنتاج عصبی- فازی تطبیقی (ضریب تبیین= 60/0 و جذر میانگین مربعات خطا= 64/0) نسبت به مدل شبکه عصبی مصنوعی (ضریب تبیین=51/0 و جذر میانگین مربعات خطا= 74/1)، از دقت بیشتری جهت پیشبینی جریان رودخانه برخوردار بود
In fact, determination of a reliable model and selection of inputs with proper time lags for river flow forecasting is a key topic for watershed managers, hydrologists, and river engineers. In recent decades use of intelligent algorithms and fuzzy theories for modeling of hydrological phenomena has been noticed by researchers. In this regard, in the present study adaptive neuro-fuzzy inference system (ANFIS) and different input patterns of flow discharge (with 1-7 day time lags) was used in order to river flow forecast of Kasilian watershed. Then in order to further investigate of this process, artificial neural network (ANN) model was used and the results were evaluated using coefficient of determination (R2) and root mean square error (RMSE). The results showed that river flow prediction were improved using 1-4 day time lags in ANFIS model and 1-5 day time lags in ANN model. Evaluation of standard statistics values of the best input patterns during validation phase indicated that ANFIS with R2=0.60 and RMSE=0.64 had higher accuracy than ANN with R2=0.51 and RMSE=1.74 in river flow forecasting.