نوع مقاله : مقاله پژوهشی

نویسندگان

• مجتبی نساجی زواره ¹
• باقر قرمز چشمه ²
• فاطمه رحیم زاده ³

¹ استادیار موسسه آموزش عالی علمی کاربردی جهاد کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران.

² استادیار پژوهشکده تحقیقات حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران.

³ عضو هیئت‌علمی پژوهشکده هواشناسی، تهران، ایران.

چکیده

برای برآورد دبی روزانه در مدل‏های هیدرولوژی نیاز به دبی‏های پیوسته در بازه زمانی روزانه هست. تعداد سال‏های آماری متفاوت، نواقص آماری و خطای اندازه‏گیری باعث ایجاد سری‏های زمانی با پایه زمانی غیرمشترک می‏گردد. بنابراین بازسازی داده‏های دبی روزانه از اهمیت ویژه‏ای برخوردار است. این تحقیق به‌منظور بازسازی دبی روزانه در یکی از سرشاخه‏های رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق با استفاده از داده‏های دبی روزانه دو ایستگاه بالادست و روش‏های شبکه عصبی،
فازی-عصبی و رگرسیون دومتغیره دبی روزانه ایستگاه پائین‌دست بازسازی گردید. در مرحله دوم با گروه‏بندی مقادیر دبی به سال‏های خشک، نرمال و مرطوب دبی روزانه بازسازی شد. نتایج نشان داد روش‏های شبکه عصبی و فازی دارای دقت بالا‏تری نسبت به روش رگرسیون دومتغیره برای بازسازی دبی روزانه بود. بین مدل‏های مختلف شبکه عصبی و فازی مدل شبکه عصبی پرسپترون (MLP)دارای قابلیت مناسب‏تری نسبت به بقیه مدل‏ها است. همچنین گروه‏بندی دبی به سال‌های خشک، نرمال و مرطوب باعث کاهش خطا در بازسازی دبی روزانه گردید. بر اساس شاخص میانگین خطای نسبی (MRE) به ترتیب سال‏های نرمال، مرطوب و خشک کمترین خطا در بازسازی دبی روزانه را دارند.

کلیدواژه‌ها

• بازسازی
• دبی روزانه
• شبکه عصبی
• فازی-عصبی
• کارون

عنوان مقاله [English]

Reconstruction of Daily Discharge using Artificial Neural Network and Neuro-Fuzzy Methods (Case Study: Upstream of Karoun Watershed)

نویسندگان [English]

• Mojtaba Nassaji zavareh ¹
• Bagher Ghermezcheshmeh ²
• Fatemeh Rahimzadeh ³

¹ Assistant Professor, Institute of Technical & Vocational Higher Education Agriculture Jihad, Agricultural Research, Education and Extension Organization (AREEO), Tehran, I.R.IRAN.

² Assistant professor, Soil Conservation and Watershed Management Research Institute, AREEO, Tehran, I.R.IRAN.

³ Faculty Member of Atmospheric Science and Meteorological Research Center, I.R.IRAN.

چکیده [English]

Daily constant discharges are needed estimating daily discharge in the hydrological model. The different number of statistical years, statistical deficiencies, and measurement error leads to the formation of time series with an uncommon time base. Hence the reconstruction of daily discharge data is of paramount importance. In this research, daily discharge was reconstructed in two stages in one of the upstream of Karoun River. In both stages of research, daily discharge data from two upstream stations were used to reconstruct daily discharge of the downstream station using artificial neural networks, neuro-fuzzy and two variables regression methods. In the second stage, the magnitudes of discharge, based on dry, normal and wet years was used to reconstruct the daily discharge. The results showed higher accuracy in the artificial neural network and neuro-fuzzy methods compared to two variable regression methods in the reconstruction of daily discharge. Multi-layer perceptron model has better potential among all different method of artificial neural network and neuro-fuzzy models. Classification of discharge into dry, normal, and wet years decreases error in the reconstruction of daily discharge. Based on the mean relative error (MRE), error in reconstruction of daily discharge is the least in normal, wet, and dry years, respectively

کلیدواژه‌ها [English]

• Reconstruction
• daily discharge
• Artificial Neural Network
• neuro-fuzzy
• Karoun