fa مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان تخصصي Special پژوهشي Research <p dir="RTL"><strong>&nbsp;&nbsp;&nbsp;&nbsp; مدل&shy;سازی فرآیند بارش - رواناب و پیش</strong><strong>&shy;بینی دبی رودخانه یک اقدام مهم در مدیریت و مهار سیلاب&shy;ها، طراحی سازه&shy;های آبی در حوزه<span dir="LTR">&shy;</span>های آبخیز و مدیریت خشکسالی است. هدف این تحقیق شبیه&shy;سازی جریان روزانه در حوزه آبخیز کسیلیان با استفاده از شبکه عصبی مصنوعی و شبکه عصبی- فازی تطبیقی است. روش&shy;های هوشمند دارای قابلیت بالایی برای برقراری ارتباط بین داده<span dir="LTR">&shy;</span>های ورودی و خروجی می<span dir="LTR">&shy;</span>باشند. در این تحقیق از آمار بارش، تبخیر و دما ایستگاه هواشناسی سنگده که ورودی مدل&shy;ها و آمار دبی ایستگاه ولیک&shy;بن که خروجی مدل&shy;ها محسوب می&shy;شود طی سال&shy;های 1382 تا 1388 استفاده شد. تعداد تأخیرهای لازم برای ورود متغیر&shy;های ورودی به شبکه&shy;ها با استفاده از نمودار خودهمبستگی جزئی به دست آمد. از بین متغیرهای مختلف در هر دو مدل ساختار بارش و تبخیر با یک روز تأخیر برای مدل بهینه انتخاب شد. سپس نتایج با استفاده از نمایه&shy;های<span dir="LTR">RMSE </span>، <span dir="LTR">NSH</span>،<span dir="LTR">MAE </span>&nbsp;و <span dir="LTR">Rmod</span> برای مدل بهینه در هر دو مدل ارزیابی گردید. نتایج نشان داد که شبکه عصبی- فازی تطبیقی با تابع عضویت زنگوله&shy;ای شکل، شعاع تأثیر 14/0 و نمایه&shy;های آماری 80/0 <span dir="LTR">NSH=</span>، 056/0 <span dir="LTR">RMSE=</span>، 11/0 <span dir="LTR">MAE=</span> و 81/0 <span dir="LTR">Rmod=</span> نسبت به مدل شبکه عصبی مصنوعی با همان ساختار با الگوریتم آموزشی لونبرگ- مارکوارت، تابع انتقال سیگمویید،14 نرون در لایه مخفی و نمایه&shy;های آماری 54/0 <span dir="LTR">NSH=</span>، 056/0 <span dir="LTR">RMSE=</span>، 14/0 <span dir="LTR">MAE=</span> و 87/0 <span dir="LTR">Rmod=</span> </strong><strong>در دوره آزمون توانایی بهتری برای مدل&shy;سازی بارش - رواناب در حوزه آبخیز کسیلیان دارد.</strong></p> <p>&nbsp;&nbsp;&nbsp;&nbsp; Rainfall runoff modeling and prediction of river discharge is one of the important practices in flood control and management, hydraulic structure design and drought management. The present article aims to simulate daily streamflow in Kasilian watershed using an artificial neural network (ANN) and neuro-fuzzy inference system (ANFIS). The intelligent methods have the high potential for determining the relationship between inputs and output. In this study, the input parameters are rainfall, evaporation and temperature of Sangdeh station and streamflow data of Valikbon station are selected as output during 2003 to 2009. The partial auto-correlation function (PACF) was employed for selecting appropriate input parameters to the ANN and ANFIS models. Among different variables in both models, rainfall and evaporation with 1-day lag time were selected as optimal parameters. Then, the results were evaluated using RMSE, NSH, MAE and Rmod statistical criteria for presenting optimal model. The results showed that ANFIS with bell-shaped function and radius of influence=0.14 and NSH=0.80, RMSE=0.056, MAE=0.11, Rmod=0.81 statistical criteria were found to be superior to the ANN with the similar structure, the <a href="http://www.google.com/search?hl=en&tbo=d&biw=1360&bih=599&spell=1&q=Levenberg-Marquardt&sa=X&ei=xbipUNv1IM7BswbrwIDICQ&ved=0CCkQvwUoAA">Levenberg-Marquardt</a> training algorithm, sigmoid transfer function, 14 neurons in the hidden layer and NSH=0.54, RMSE=0.056, MAE=0.14, Rmod=0.87 in testing stage for rainfall-runoff modeling in Kasilian watershed.</p> مدلسازی بارش- رواناب, حوزه آّبخیز کسیلیان, شبکه عصبی مصنوعی, شبکه عصبی- فازی تطبیقی ANN, ANFIS, Kasilian Watershed, Rainfall-Runoff Modeling 137 128 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-132&slc_lang=fa&sid=1 نوید دهقانی 10031947532846003883 10031947532846003883 No مهدی وفاخواه 10031947532846003884 10031947532846003884 Yes عبدالرضا بهره مند 10031947532846003885 10031947532846003885 No