نوع مقاله : مقاله پژوهشی

نویسندگان

• حمیده افخمی ¹
• محمد تقی دستورانی ²
• فرزانه فتوحی فیروزآبادی ³

¹ دانشجوی دکتری علوم و مهندسی آبخیزدارای، دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد، ایران.

² دانشیاردانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد، ایران.

³ دانشجوی دکتری، علوم و مهندسی آبخیزدارای، دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد، ایران.

چکیده

توجه به ماهیت داده­های رسوب و انتخاب روش­های مناسب پردازش بر روی داده­ها قبل از ورود به مدل­های هوش مصنوعی از جمله مواردی است که می­تواند نتایج حاصل از شبیه­سازی­ها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روش­های پردازش داده­های رسوب قبل از ورود به دو مدل شبکه­های عصبی مصنوعی و سیستم­های استنتاج فازی-عصبی در هفت ایستگاه حوضه سد دز مورد بررسی قرار گرفته است. بر این اساس با توجه به توزیع­های احتمالاتی حاکم بر داده­ها سه سناریو در نظر گرفته شد. سناریوی اول بدون هیچ‌گونه پردازش و با استفاده از اصل داده­ها، سناریوی دوم، پردازش داده­ها از طریق استاندارد­سازی و در سناریوی سوم با توجه به حاکمیت توزیع­های لگاریتمی بر داد­ه­های رسوب، از لگاریتم داده­ها استفاده گردید. نتایج شبیه­سازی­ها در دو مدل، کارایی بهتر و خطای کمتر را در شرایط استفاده از لگاریتم داده­ها به خصوص در ایستگاه­هایی که بهترین توزیع­های احتمالاتی آن‌ها یکی از توزیع‏های لگاریتمی می‌باشد، نشان دادند. درنهایت، مدل فازی عصبی با ضریب همبستگی 95/0، 4/5RMSE=، 4/1 MSE=و
42/0 ME= در ایستگاه بیاتون و در شرایط استفاده از لگاریتم داده­ها بهترین عملکرد را نشان داد.

کلیدواژه‌ها

• پیش‌بینی رسوب
• توزیع های احتمالاتی
• سیستم فازی-عصبی
• شبکه عصبی مصنوعی
• رسوب معلق

عنوان مقاله [English]

Evaluation of the Effect of Probability Distributions on Suspended Sediment Prediction Accuracy using ANN and ANFIS Models (Case Study: Dez Basin)

نویسندگان [English]

• Hamide Afkhami ¹
• mohammad dastorani ²
• farzaneh fotouhi firuzabadi ³

¹ PhD student, Faculty of Natural Resources, Yazd University, Yazd, I.R.IRAN.

² Associate Professor, Faculty of Natural Resources and Environment, Ferdowsi University of Mashhad, I.R.IRAN

³ PhD student, Faculty of Natural Resources, Yazd University, Yazd, I.R.IRAN.

چکیده [English]

Due to the nature of the sediment data, selection of appropriate methods for processing the data before entering them to the artificial intelligence models can enhance the reliability of simulations results. In this study, the effects of sediment data processing procedures on ANN and ANFIS models outputs in 7 Dez Basin stations were evaluated. Accordingly, three scenarios were considered: In the first scenario, original data was used without exerting any processing technique; in the second scenario, the data was normalized; and in the third scenario, logarithm of data were used according to logarithmic distribution governing. The simulation results showed that using data logarithm leads to higher performance and lower error, especially in stations where the best fit probability distribution is one of the log family distributions. Finally, among applied models, ANFIS showed the best performance with coefficient efficiency of 0.95 and RMSE of 5.4, MSE of 1.4 and ME of 0.42 in Biatoon gauging station and using the third scenario.

کلیدواژه‌ها [English]

• Probability distributions
• Prediction
• Suspended sediment prediction
• Artificial Neural Network
• Adaptive neuro-fuzzy inference system