بررسی کارایی روش‌های عصبی- فازی و مدل‌های آماری در شبیه‌سازی فرآیند بارش-رواناب

نویسندگان

چکیده

یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است,‏ که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر می‌پذیرد. در این پژوهش با بهره‌گیری از روش‌های آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشه‌ای و شبکه‌ای) و دو مدل بدست آمده از ترکیب آنها به منظور مدل‌سازی فرآیند بارش-رواناب و پیش‌بینی جریان رودخانه بهره‌گیری شد. به طوری که درآغاز ساختار بهینه هر یک از مدل‌ها تعیین شده و سپس با بهره‌گیری از مدل برگزیده اقدام به پیش‌بینی جریان رودخانه شد. نتایج این پژوهش نشان داد که مدل‌های ترکیبی عملکرد بهتری نسبت به دیگر مدل‌های مورد آزمون به صورت جداگانه داشته و به علت غیر خطی بودن فرآیند بارش-رواناب عملکرد مدل‌های هوش مصنوعی بهتر از مدل‌های خطی ARMAX است. شایان بیان است که هر چند عملکرد همه نتایج بدست آمده از این پژوهش نشانگر قابل قبول بودن عملکرد همه مدل‌های مورد آزمون بود, اما به دلیل قابلیت مناسب روش ANFIS با جداسازی خوشه‌ای این روش برای پیش‌بینی جریان رودخانه و مدل‌سازی فرآیند بارش-رواناب قابل پیشنهاد است.

کلیدواژه‌ها


عنوان مقاله [English]

Investigation on the efficiency of neuro-fuzzy method and statistical models in simulation of rainfall-runoff process

نویسندگان [English]

  • A. Salajegheh
  • A. Fathabadi
  • M. Mahdavi
چکیده [English]

Rainfall-runoff is one of complex hydrological processes that is affected by a variety of physical and hydrological factors. In this study statistical method ARMAX model, neural network, neuro-fuzzy (ANFIS subtractive clustering and grid partition) and two hybrid models of this methods were used to simulate rainfall-runoff and prediction of streamflow. In each method optimum structure was determined then, streamflow forecasted using the best model. The results showed that hybrid methods have better application than single models and artificial intelligent has better application than linear ARMAX model due to nonlinearity of rainfall-runoff process. In this study all methods showed relatively suitable application but ANFIS method with subtractive clustering is suggested for modeling rainfall-runoff and streamflow prediction.