پیش بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی بر مبنای هوش مصنوعی، اغلب برای پیش بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش بینی ها1 (esp) و تفکیک مدل‏سازی برای متغیرهای اقلیمی و هیدرولوژیکی، از مدل‏های مفهومی برای پیش بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می شود. سیستم استنتاج فازی برای پیش بینی بارش فصلی به صورت عدد فازی و شبکه های عصبی مصنوعی برای شبیه سازی تبدیل اطلاعات هیدروکلیماتولوژیکی به جریان رودخانه مورد استفاده قرار می گیرند. فصل بندی بارش و جریان ماهانه، واسنجی مدل‏های اقلیمی و هیدرولوژیکی و استفاده از الگوریتم توقف آموزش2 در شبکه های عصبی، دقت پیش بینی مدل‏ها را در این تحقیق افزایش داده است. علاوه بر بررسی دقت رویکرد پیش بینی جریان در فصول مختلف، نتایج این مدل با یک مدل پیش بینی ماهانه بر مبنای شبکه های عصبی که با استفاده از اطلاعات مشاهده شده، جریان ماهانه را پیش بینی می کند، مقایسه می گردد. نتایج این تحقیق نشان می دهد که رویکرد ارائه شده علاوه بر دقت قابل قبول در پیش بینی نقطه ای و بلند مدت جریان، امکان پیش بینی به صورت مجموعه ای از جریان های ممکن را نیز فراهم می آورد که در برنامه ریزی و مدیریت منابع آب با در نظر گرفتن عدم قطعیت پیش بینی‏ها، حائز اهمیت است.