پیش بینی دبی های متوسط روزانه و ماهانه با استفاده از مدل های شبکه عصبی فازی و خودهمبسته میانگین متحرک (مطالعه موردی: حوضه رودخانه سفید)

پیش¬بینی جریان رودخانه یکی از مهم¬ترین ارکان در مدیریت منابع آب¬های سطحی به ویژه اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی¬ها است. به طور سنتی، مدل¬سازی و تجزیه و تحلیل سری¬های زمانی برای ساختن مدل¬های ریاضی در جهت تولید داده¬های هیدرولوژیکی در هیدرولوژی و منابع آب استفاده می¬شود. همچنین انتخاب ترکیب مناسب از پارامترهای ورودی. در این پژوهش برای پیش¬بینی دبی روزانه و ماهانه رودخانه سفید از روش-های سری زمانی، شبکه عصبی – فازی و شبکه عصبی مصنوعی استفاده شده است. در این تحقیق برای پیش¬بینی دبی روزانه از آمار سال 1381 تا 1391 و برای پیش¬بینی دبی ماهانه از آمار سال 1365 تا 1391 استفاده گردید. برای مدل¬سازی شبکه عصبی – فازی و شبکه عصبی مصنوعی در داده¬های روزانه از 15 ورودی و در داده¬های ماهانه از هفت و یک خروجی استفاده گردید و برای تعیین ترکیب ورودی از روش¬های رگرسیون گام به گام، آزمون گاما، الگوریتم ژنتیک و تجزیه و تحلیل مولفه اصلی استفاده گردید. همچنین برای تعیین تعداد داده¬های تست و آموزش در شبکه عصبی – فازی روش آزمون و خطا و در شبکه عصبی مصنوعی روش m-test مورد استفاده قرار گرفت. سپس با استفاده از ترکیب¬های ورودی تعیین شده شبکه عصبی – فازی مدل¬سازی شد. مدل شبکه عصبی – فازی برای داده¬های روزانه در حالت استفاده از ترکیب آزمون گاما و در داده¬های ماهانه با ترکیب رگرسیون گام به گام بهترین نتیجه را نشان داد. در گام بعد مدل¬سازی شبکه عصبی مصنوعی با ترکیب¬های ورودی تعیین شده انجام گرفت. در این مرحله داده¬های روزانه و ماهانه در حالت استفاده از تمام پارامترها مناسب¬ترین نتیجه را داشت. در آخر مدل¬سازی سری زمانی انجام گرفت و بهترین مدل بر اساس معیار آکائیک انتخاب گردید. در این مرحله برای داده¬های روزانه مدل arima (5,0,9) و برای داده¬های ماهانه مدل arima (1,0,2) به عنوان مناسب¬ترین مدل¬ها انتخاب شدند. در نهایت نتایج حاصل از این مطالعه نشان داد که در سری داده¬های روزانه به ترتیب شبکه عصبی فازی با ترکیب منتخب آزمون گاما با ضریب همبستگی 05/98% و مجذور میانگین مربعات خطای?4×10 ?^(-5)، شبکه عصبی مصنوعی با تمام پارامترهای ورودی با ضریب همبستگی 94/94% و میانگین مربعات خطای ?2×10 ?^(-4)، و مدل arima (5,0,9) با ضریب همبستگی 65/53% و مجذور میانگین مربعات خطای 27/0 به عنوان مناسب¬ترین روش¬ها انتخاب شدند. همچنین در داده¬های ماهانه به ترتیب مدل arima (1,0,2) با ضریب همبستگی 97/99% و مجذور میانگین مربعات خطای 07/0 ، روش شبکه عصبی مصنوعی با ضریب همبستگی 22/98% و میانگین مربعات خطای?5×10 ?^(-4)، با تمام پارامترهای ورودی و مدل شبکه عصبی – فازی با ضریب همبستگی 53/75% و مجذور میانگین مربعات خطای 0029/0 با ترکیب ورودی رگرسیون گام به گام به عنوان مناسب-ترین روش¬ها انتخاب شدند. در نهایت نتایج حاصل از این مطالعه نشان داد که در سری داده¬های روزانه به ترتیب شبکه عصبی فازی با ترکیب منتخب آزمون گاما با ضریب همبستگی 05/98 % و مجذور میانگین مربعات خطای〖4×10 〗^(-5)، شبکه عصبی مصنوعی با تمام پارامترهای ورودی با ضریب همبستگی 94/94% و میانگین مربعات خطای 〖2×10 〗^(-4)، و مدل arima (5,0,9) با ضریب همبستگی 65/53% و مجذور میانگین مربعات خطای 27/0 به عنوان مناسب¬ترین روش¬ها انتخاب شدند. همچنین در داده¬های ماهانه به ترتیب مدل arima (1,0,2) با ضریب همبستگی 97/99% و مجذور میانگین مربعات خطای 07/0 ، روش شبکه عصبی مصنوعی با ضریب همبستگی 22/98% و میانگین مربعات خطای〖5×10 〗^(-4)، با تمام پارامترهای ورودی و مدل شبکه عصبی – فازی با ضریب همبستگی 53/75% و مجذور میانگین مربعات خطای 0029/0 با ترکیب ورودی رگرسیون گام به گام به عنوان مناسب¬ترین روش¬ها انتخاب شدند. کلمات کلیدی: پیش بینی، شبکه عصبی - فازی، مدل arima، دبی روزانه، دبی ماهانه، رودخانه سفید