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

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بارش فصلی به صورت عدد فازی و شبکه‌های عصبی مصنوعی برای شبیه سازی تبدیل اطلاعات هیدروکلیماتولوژیکی ‌به جریان رودخانه مورد استفاده قرار می‌گیرند. فصل بندی بارش و جریان ماهانه، واسنجی مدل‏های اقلیمی ‌و هیدرولوژیکی و استفاده از الگوریتم توقف آموزش2 در شبکه‌های عصبی، دقت پیش‌بینی مدل‏ها را در این تحقیق افزایش داده است. علاوه بر بررسی دقت رویکرد پیش‌بینی جریان در فصول مختلف، نتایج این مدل با یک مدل پیش‌بینی ماهانه بر مبنای شبکه‌های عصبی که با استفاده از اطلاعات مشاهده شده، جریان ماهانه را پیش‌بینی می‌کند، مقایسه می‌گردد. نتایج این تحقیق نشان می‌دهد که رویکرد ارائه شده علاوه بر دقت قابل قبول در پیش‌بینی نقطه‌ای و بلند مدت جریان، امکان پیش‌بینی به صورت مجموعه‌ای از جریان‌های ممکن را نیز فراهم می‌آورد که در برنامه ریزی و مدیریت منابع آب با در نظر گرفتن عدم قطعیت پیش‌بینی‏ها، حائز اهمیت است.