کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضه آبخیز سد زاینده‌رود

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد

2 دانش آموخته کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد

3 استادیار، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد

4 استادیار، دانشکده منابع طبیعی، دانشگاه زابل

چکیده

در دهه‌های اخیر به‌دلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش به مسئله‌ای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکه‌های عصبی مصنوعی است. در این تحقیق سعی گردید کارایی شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی به‌منظور برآورد بارش- رواناب در حوضه سد زاینده‌رود، مورد ارزیابی قرار گیرد. به‌این‌منظور ابتدا با بهره‌گیری از نرم‌افزار Wingamma داده‌ها و پارامترهای موجود مورد بررسی و تجزیه و تحلیل قرار گرفت و پارامترهای ورودی مناسب به‌علاوه تعداد مناسب داده برای آموزش شبکه، تعیین گردید. سپس با استفاده از آمار روزانه بارش- رواناب، کارایی شبکه عصبی مصنوعی و سیستم عصبی- فازی در تخمین رواناب حاصل از بارش مورد بررسی قرار گرفت. در ادامه میزان دقت و صحت این دو روش با بهره‌گیری از روشهای آماری، مقایسه شد. نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی و سیستم فازی- عصبی در شرایط مختلف و با ترکیبهای مختلف پارامترهای ورودی، نتایج متفاوتی از خود نشان می‌دهند ولی در کل این دو روش به‌میزان قابل قبولی قادر به تخمین رواناب حاصل از بارش با به‌کارگیری پارامترهای ورودی مناسب و استفاده از ساختارهای مناسب شبکه عصبی مصنوعی و شبکه عصبی- فازی، هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of the Application of Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems for Rainfall-Runoff Modelling in Zayandeh_rood Dam Basin

نویسندگان [English]

  • Mohammad Taghi Dastorani 1
  • Hamed Sharifi Darani 2
  • Ali Talebi 3
  • Alireza Moghadam Nia 4
1 Assoc. Prof., Dept. of Natural Resources and Desert Studies, Yazd University, Yazd
2 Former Grad. Student of Watershed Management, Dept. of Natural Resources and Desert Studies, Yazd University, Yazd
3 Assist. Prof. of Watershed Management, Dept. of Natural Resources and Desert Studies, Yazd University, Yazd
4 Assist. Prof., Dept. of Natural Resources, Zabol University, Zabol
چکیده [English]

During recent few decades, due to the importance of the availability of water, and therefore the necesity of predicting run off resulted from rain fall there has been an increase in developing and implementation of new suitable method for prediction of run off using precipitation data. One of these approaches that have been developed in several areas of sciences including water related fields, is soft computing techniques such as artificial neural networks and fuzzy logic systems. This research was designed to evaluate the applicability of artificial neural network and adaptive neuro –fuzzy inference system to model rainfall-runoff process in Zayandeh_rood dam basin. It must be mentioned that, data have been analysed using Wingamma software, to select appropriate type and number of training input data before they can be used in the models. Then, it has been tried to evaluated applicability of artificial neural networks and neuro-fuzzy techniques to predict runoff generated from daily rainfall. Finally, the accuracy of the results produced by these methods has been compared using statistical criterion. Results taken from this research show that artificial neural networks and neuro-fuzzy technique presented different outputs in different conditions in terms of type and number of inputs variables, but both method have been able to produce acceptable results when suitable input variables and network structures are used.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Adaptive Neuro – Fuzzy Inference System
  • Rainfall-Runoff
  • Zayandeh_rood Dam Catchment
  • Genetic algorithm
  • Gamma Test
Akbarpour, M., Rahnama, M. B., and Barani, Gh. A. (2003) Comparison of artifical neural network and HEC-HMS models on rainfall-runoff process 4th Iranian Hydraulic Conf., Shiraz University, Shiraz , 1025-1032
Dastorani, M. T. (2007) Evaluation of the application of artificial intelligence models on simulation and real-time prediction of peak flaw J. of Science and Tech. of Agriculture and Natural Resources (Water and Soil Science) 40, 27-36
Noorani, V., and Salehi, K. (2008) Rainfall-runoff modeling using ANFIS and comparing with ANN and fuzzy logic 4th National Civil Eng. Conf., Tehran University, Tehran
Goali, Q., Chen, S., and Wang, D. (2001) An intelligent runoff forecasting method based on fuzzy sets, neural network and genetic algorithm < www.sciencedirect.com.> (Oct. 5, 2009)
Chang, F., and Chen, Y.C. (2001) A counter propagation fuzzy-neural network modeling appeoach to real time streamflow prediction. J. Hydrology 245, 153-164
Keskin, M.E., Taylan, E.D., and Yilmaz, A.G. (2003) Flow prediction with fuzzy logic appriaches: Dim stream International Congress on River Basin Management, Antalya, Turkey
Matreata, M. (2004) Artificial nearal network and fuzzy logic moddels in operational hydrological forecasting system (Sep. 17, 2009)
Navak, P. C., Sudheer, K. P., and Ramasastri, K. S. (2004) Fuzzy computing based rainfall-runoff model for real time flood forecasting J. of Hydrological Proc. 19, 955-968
Aqil, M., Kita, I., Yano, A., and Nishiyama, S. (2007) A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behaviour of runoff J. Hydrology 337, 22-34