AU - Niromandfard, Fariba AU - KhasheiSiuki, Abbas AU - Shahidi, Ali TI - Evaluation of the Neuro-Fuzzy and Hybrid Wavelet-Neural Models Efficiency in River Flow Forecasting (Case Study: Mohmmad Abad Watershed) PT - JOURNAL ARTICLE TA - jwmr JN - jwmr VO - 10 VI - 19 IP - 19 4099 - http://jwmr.sanru.ac.ir/article-1-931-fa.html 4100 - http://jwmr.sanru.ac.ir/article-1-931-fa.pdf SO - jwmr 19 AB  - از مهم­ترین مسائل در مدیریت حوزه­ های آبخیز، پیش­بینی فرآیندهای هیدرولوژیکی بارش- رواناب می­باشد. استفاده از مدل­های جدید در این زمینه می ­تواند به مدیریت و برنامه­ریزی صحیح کمک کند. علاوه بر آن پیش­بینی جریان رودخانه، مخصوصاً در شرایط سیلابی، به مسئولان این امکان را خواهد داد که با آمادگی خسارت ناشی از سیل را کاهش دهند. با توجه به اهمیت پیش‎بینی جریان رودخانه در مدیریت منابع آب روش­های مختلفی برای مدل کردن جریان رودخانه ­ها به ­کار برده می شوند، تا بتوان با به­ کارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آن­ها را به حداقل ممکن رساند. در این مطالعه برای پیش­بینی سری زمانی جریان روزانه ایستگاه آب سنجی سرمو واقع بر رودخانه محمدآباد، مدل نروفازی و هیبرید موجکی- عصبی مورد استفاده قرار گرفت. برای این هدف سری زمانی اصلی به مدت 28 سال به­ وسیله تبدیل موجکی به سه زیر سری و با موجک مادر دابچیز نوع چهارم انجام شد. مقدار ضریب همبستگی در مدل نروفازی 88/0 و در مدل هیبرید موجکی-عصبی 95/0 به­دست آمده است و نیز پارامترهای ارزیابی RMSE، MSE، NS در مدل موجکی- عصبی به ­ترتیب 004/0، 043/0 و 91/0 و در مدل نروفازی به ترتیب 32/0، 10/0 و 77/0 بدست آمد. در نهایت نتایج حاصل از تبدیل موجکی- عصبی با نتایج حاصل از نروفازی، مقایسه و ملاحظه شد که روش موجکی- عصبی نسبت به روش نروفازی دقت پیش­بینی بالاتری دارد. CP - IRAN IN - Faculty of Agriculture, Department of Water Engineering, University of Birjand LG - eng PB - jwmr PG - 211 PT - Research YR - 2019