مقایسه دو روش هوشمند موجک- سیستم استنتاج فازی عصبی (ANFIS) و موجک- شبکه عصبی (MPL) در شبیه سازی بارش موثر. (مطالعه موردی:ایستگاه همدان)

بدون شک اولین قدم در مدیریت رودخانه پیش بینی بارش سطح حوضه آبریزمیباشد و تخمین بارش موثر به دلیل تاثیر آن درمدیریت منابع آب، میتواند نقش اقتصادی مهمی داشته باشد، از روشهای که اخیرا توجه بسیاری از پژوهشگران را به خود جذب نمودهاست، استفاده از شبکه موجک- عصبی مصنوعی (WNN) و موجک- سیستم استنتاج فازی- عصبی تطبیقی (WANFIS) می باشد.امروزه سیستم های ترکیبی هوشمند با توجه به توانایی در حل پدیده های غیر خطی و پیچیده، کاربردهای فراوانی در مسائل مختلفمهندسی آب از جمله هیدرولوژی پیدا کرده اند، در این تحقیق به ارزیابی این سیستم ها در پیش بینی بارش موثر در ایستگاه همدانپرداخته میشود. به منظور محاسبه بارش موثر در ایستگاه همدان از داده های هواشناسی مورد نیاز به صورت روزانه، ماهانه، فصلی وسالانه با دوره آماری ۲۲ ساله (از سال ۱۳۹۷ - ۱۳۷۵) که شامل رطوبت نسبی حداکثر، رطوبت نسبی حداقل، رطوبت نسبی متوسط،دمای حداکثر، دمای حداقل، دمای متوسط، ساعت آفتابی، سرعت باد و بارش اخذ گردید. برای به دست آوردن داده های بارش موثر ازروش بارندگی قابل اطمینان استفاده گردید که در پیش بینی بارش موثر در این منطقه بهترین عملکرد را دارد. نتایج حاصله نشان دادندکه موجک شبکه عصبی میتواند مقدار بارش موثر را بهتر از موجک سیستم استنتاج فازی عصبی پیش بینی کند. نتایج این مطالعه نشاندهنده این است که بهترین نتیجه شبیه سازی مربوط به الگوی از روش موجک- شبکه عصبی مصنوعی در بازهی زمانی سالانه است. که در این الگو ضریب همبستگی (R) و نش ساتکلیف (NS) به ترتیب برابر با ۹۹ / ۰ و ۹۹ / ۰ است که نزدیک-ترین عدد به دست آمده به ۱ می باشد. و ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب مقدار باقی-مانده (CRM) به ترتیب برابر با ۰۰۱ / ۰ ، ۰۰۱ / ۰ و ۰۰۱ / ۰ بوده که نزدیکترین عدد به دست آمده به صفر می باشد. همچنین نتایج نشانمیدهد که روش شبیه سازی موجک شبکه عصبی در مقایسه با روش موجک سیستم استنتاج فازی عصبی دارای دقت کافی می باشد.

Keywords:

پیش بینی بارش موثر , موجک سیستم استنتاج فاز عصبی , موجک شبکه عصبی , ایستگاه همدان