Journal of Watershed Management Research

fa ارزیابی کارایی دو مدل نروفازی و هیبرید موجکی- عصبی در پیش بینی جریان رودخانه (مطالعه موردی: حوضه محمد آباد) Evaluation of the Neuro-Fuzzy and Hybrid Wavelet-Neural Models Efficiency in River Flow Forecasting (Case Study: Mohmmad Abad Watershed) هيدرولوژی هيدرولوژی پژوهشي Research <div style="text-align: justify;">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 پیش&lrm;بینی 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.</div>   One of the most important issues in watersheds management is rainfall-runoff hydrological process forecasting. Using new models in this field can contribute to proper management and planning. In addition, river flow forecasting, especially in flood conditions, will allow authorities to reduce the risk of flood damage. Considering the importance of river flow forecasting in water resources management, various methods are used to model rivers flow in order to minimize their potential damage by using the model in drought and flood management. In this study, the neuro-fazzy and hybrid neural-wavelet models were used to forecast the daily flow time series of the Sarmo water meter station located on the Mohammad Abad River. For this purpose, the original time series has been translated to three sub-series for 28 years using wavelet transformation and type IV Daubechies mother wavelet. The correlation coefficient value was obtained 0.88 for neuro-fuzzy model and 0.95 for hybrid wavelet -neural model, and the RMSE, MSE, and NS evaluation parameters in neural-wavelet model were 0.004, 0.043, and 0.91, respectively; these parameters in neuro-fuzzy model were 0.32, 0.10, and 0.77, respectively. Finally, the results of wavelet-neural transformation were compared with the results of neuro-fuzzy model, and it was observed that the wavelet- neural method has a higher predictive accuracy than the neuro-fuzzy method.   پیش بینی جریان, سری زمانی جریان روزانه, مدل نروفازی, مدل هیبرید عصبی- موجکی Daily flow time series, Flow forecasting, Neuro-fuzzy model, Wavelet -neural model 211 221 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1138-1&slc_lang=fa&sid=1 Fariba Niromandfard فریبا نیرومند فرد faribaniroumandfard@gmail.com 10031947532846007826 10031947532846007826 No Faculty of Agriculture, Department of Water Engineering, University of Birjand دانشکده کشاورزی گروه مهندسی آب، دانشگاه بیرجند Abbas KhasheiSiuki عباس خاشعی سیوکی abbaskhashei@birjand.ac.ir 10031947532846007827 10031947532846007827 Yes Faculty of Agriculture, Department of Water Engineering, University of Birjand دانشکده کشاورزی گروه مهندسی آب، دانشگاه بیرجند Ali Shahidi علی شهیدی ashahidi@birjand.ac.ir 10031947532846007828 10031947532846007828 No Faculty of Agriculture, Department of Water Engineering, University of Birjand دانشگاه بیرجند