TI - PT - JOURNAL ARTICLE TA - jwmr JN - jwmr VO - 4 VI - 8 IP - 8 4099 - http://jwmr.sanru.ac.ir/article-1-321-fa.html 4100 - http://jwmr.sanru.ac.ir/article-1-321-fa.pdf SO - jwmr 8 AB  -   پیش­بینی رواناب به صورت کوتاه­ مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلاب­ها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه­های عصبی مصنوعی ( ANN ) و فازی عصبی تطبیقی ( ANFIS )، اقدام به شبیه­سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز حاجی­قوشان شده است. در این سیستم­ها سه ترکیب مختلف ورودی شامل بارندگی همان روز، بارندگی همان روز و روز قبل، بارندگی همان روز و روز قبل و دو روز قبل از آن، مورد استفاده قرار گرفت. هم چنین در شبکه ANFIS از توابع مختلف گوسی، گوسی نوع 2، مثلثی و زنگوله­ای استفاده شد و تعداد نرون­های لایه مخفی در شبکه عصبی بین 2 تا 10 نرون متغیر بود. معیارهای آماری متوسط ریشه مربع خطا ( RMSE )، متوسط قدر مطلق خطا ( MAE ) و ضریب همبستگی ( R ) برای ارزیابی و مقایسه عملکرد شبکه­های عصبی مصنوعی و مدل ANFIS در پیش­بینی رواناب، مورد استفاده قرار گرفت. مدل ANFIS با 11/7 RMSE= ، 18/2 MAE= و 60/0 R= نسبت به مدل ANN با 03/6 RMSE= ، 97/1 MAE= و 39/0 R= ، فرآیند بارش- رواناب را با دقت بالاتری پیش­بینی نموده است. CP - IRAN IN - LG - eng PB - jwmr PG - 120 PT - Research YR - 2014