مدل سازی بارش رواناب با استفاده از مدل ترکیبی anfis-wavelet

جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن می باشد که به دلیل عدم دسترسی به اطلاعات هیدرولیکی اغلب حوضه ها از روش های ریاضی برای الگوبندی پدیده طبیعی بارش رواناب استفاده می شود. توانایی های روش های ریاضی و ترکیب آن ها در مدل سازی ها می تواند ما را در رسیدن به یک مدل ایده آل یاری دهد. در این پایان نامه، منطق فازی به عنوان روش نوین در علم ریاضی برای مدل کردن عدم قطعیت های موجود در سری های زمانی ناشی از نحوه اندازه گیری و گزارش داده ها و همچنین عدم صراحت پدیده در کمبود اطلاعات در مورد پارامترهای دخیل در پدیده استفاده شده است. اخیرا منطق فازی با استفاده از قابلیت شبکه عصبی در تخمین پارامترهای متغیر موجود در قوانین فازی، قادر به نگاشت مناسب ورودی های مختلف به خروجی می باشد. ادخال ویژگی های کوتاه مدت و درازمدت در مدل سازی می تواند نتایج بهتری در مدل مخصوصا برآورد نقاط پیک داشته باشد. در ادامه برای نائل آمدن به این امر از مبدل موجک به عنوان یک تبدیل کننده ریاضی استفاده شده است. با توجه به قابلیت تبدیل موجک با موجک های مادر مختلف و تجزیه سری های زمانی در پایه های زمانی متفاوت استفاده از زیر تجزیه های مختلف سری زمانی در ورودی مدل می تواند نتیجه مناسبی مخصوصا در نقاط ماکزیمم و قله های سری زمانی داشته باشد. با توجه به نتایج حاصله از مدل های ساخته شده با استفاده از موجک های مادر متفاوت، به علت تطابق شکل و خصوصیات موجک های مادر با سری زمانی برای تجزیه خصوصیات فصلی، ماهیانه و سالیانه داده های روزانه و ماهیانه هر دو حوضه لیقوان چای و آق چای (موجک haar برای سری زمانی بارش و موجک db4 برای سری زمانی رواناب) معرفی شده که با استفاده از این ورودی ها در مدل-سازی به روش سیستم استنتاج عصبی فازی تطبیقی، در مقایسه با شبکه عصبی و دیگر روش ها نتیجه بهتری داده است. در سیستم استنتاج عصبی فازی تطبیقی، استفاده از قوانین مناسب با تعداد و نوع توابع عضویت برای ورودی های مختلف تاثیرگذار می باشد که استفاده از دو تابع عضویت گوسی شکل، برای داده های رواناب و همچنین بارش، نتیجه مناسبی حاصل شد. مقایسه داده های مشاهداتی و محاسباتی در مدل سازی داده های ماهیانه نشان می دهد که استفاده از مرتبه های مناسب تجزیه موجک توانسته است تغییرات مختلف زمانی را در مدل سازی لحاظ کرده و نتیجه مدل بهتر شود. با توجه به بهبود توانایی مدل در برآورد نقاط پیک استفاده از این مدل در مدیریت حوضه های مهم و با ریسک بالا از نظر ساخت سازه های آبی گوناگون بسیار مهم است.