مقایسه عملکرد مدل‌های شبکه عصبی و فازی در تعیین دبی ماهانه جریان با استفاده از آمار کوتاه مدت.

Abstract

<strong>بهره‌برداری بهینه از سیستم­های منابع آب و به خصوص تعیین زمان واقعی کارکرد مخازن سدها، مستلزم پیش‌بینی آورد رودخانه‌هاست. در این مقاله عملکرد مدل‌های منطق فازی (</strong><strong>FL</strong><strong>) و شبکه عصبی مصنوعی (</strong><strong>ANN</strong><strong>) برای پیش‌بینی یک و دو ماه بعد جریان حوضه کارون در محل ایستگاه هیدرومتری پل­شالو با هم مقایسه شده است. در این راستا از سیستم استنتاجی ممدانی برای ساخت مدل‌های </strong><strong>FL</strong><strong> و همچنین شبکه­های پیشرو سه لایه برای مدل‌سازی توسط </strong><strong>ANN</strong><strong> استفاده گردید. بررسی عملکرد این مدل‌ها با شاخص‌های ضریب تبیین</strong><strong>(</strong><strong>R²</strong><strong>)، میانگین قدر مطلق خطا (</strong><strong>MAE</strong><strong>) و ریشه میانگین مربعات خطا (</strong><strong>RMSE</strong><strong>) نشان داد که در شرایط کم بودن داده‌ها، مدل </strong><strong>FL</strong><strong> نسبت به مدل </strong><strong>ANN</strong><strong> در پیش‌بینی یک و دو ماه بعد جریان از نظر آماری عملکرد بهتری داشته است. این عملکرد بهتر به طور متوسط مقادیری برابر 25% و 7% را به ترتیب برای </strong><strong>R²</strong><strong> و </strong><strong>RMSE</strong><strong> در پیش­بینی جریان اسفند ماه به همراه داشته است. نتایج بدست آمده از این دو مدل با مدل رگرسیون خطی چندگانه (</strong><strong>MLR</strong><strong>) نیز مقایسه گردید که عدم عملکرد مناسب آن را نشان می‌داد.</strong>