fa پیش‌بینی دبی رودخانه با استفاده از روش‌های نوروفازی و مدل‌های سری‌های زمانی تخصصي Special پژوهشي Research <p><font face="arial,helvetica,sans-serif"><font size="2">  شبیه­سازی جریان رودخانه به منظور آگاهی از آورد رودخانه در دوره­های زمانی آینده از مسائل مهم و کاربردی در مدیریت منابع آب می­باشد. در این پژوهش با استفاده از روش­های هوش مصنوعی (شبکه عصبی MLP , ANFIS با تفکیک شبکه­ای و خوشه­ای) و سری­های زمانی دبی ماهانه طالقانرود در محل ایستگاه گلینک در یک گام زمانی آینده پیش­بینی گردید. برای مدل­های مختلف 2 ورودی متفاوت شامل: 1- مقادیر داده­های دبی بدون حذف روندهای فصلی 2- مقادیر داده دبی پس از حذف روندهای فصلی در نظر گرفته شد. برای سری­های زمانی مدل ARIMA(3,0,0)(0,1,1) به عنوان مدل مناسب انتخاب گردید. در روش­های هوش مصنوعی پس از پیش پردازش ساختار بهینه مدل با استفاده از داده­های ورودی و خروجی و به روش سعی و خطا تعیین و سپس اقدام به پیش بینی دبی گردید. پس از اینکه خروجی هر یک از مدل­های تکی بدست آمد اقدام به ساخت مدل­های ترکیبی گردید. در این پژوهش بهترین عملکرد را مدل­های ترکیبی 2 و 3 داشته بعد از این مدل­ها, مدل­های سری­های زمانی عملکرد بهتری نسبت به مدل­های شبکه عصبی و ANFIS با تفکیک خوشه­ای و شبکه­ای داشته اند. </font></font></p> <font face="Times New Roman"><p align="left">Simulation of river flow in order to understand the river yield in the future is one of the important and</p><p align="left">practical issues in water resource management. In this study, monthly discharge of Taleghan river in Glinak</p><p align="left">stations at one step proceeding were forecasted using Artificial Intelligent (Artificial Neural Network MLP,</p><p align="left">ANFIS with Grid Partition and Subtractive Clustering) and time series methods. Two inputs including raw</p><p align="left">discharge data and de-seasonalised discharge data were used for different models. For time series models,</p><p align="left">ARIMA (3,0,0)(0,1,1) were selected as suitable model. The optimum structure in Artificial Intelligence</p><p align="left">method after pre-processing was determined using input and output data based on trial and error, and then,</p><p align="left">using the optimum structure, the streamflow discharge was forecasted. After the output of each single</p><p align="left">model was obtained, the structure of hybrid models were determined. The results showed hybrid methods</p><p>3 and 2 have the best application and time series model has better results than Artificial Intelligent methods.</p></font> سری‌های زمانی، ANFIS، شبکه عصبی، طالقانرود Time Serie, ANFIS, River Discharge, Artifitial Neural Network and Taleghan River. 21 30 http://jwmsei.ir/browse.php?a_code=A-10-1-34&slc_lang=fa&sid=1 abolhasan Fathabadi ابوالحسن فتح آبادی fathabadi_2006@yahoo.com 1003194753284600315 1003194753284600315 Yes University of Tehran دانشگاه تهران ali Salajegheh علی سلاجقه 1003194753284600316 1003194753284600316 No University of Tehran دانشگاه تهران mohammad mahdavi محمد مهدوی 1003194753284600317 1003194753284600317 No University of Tehran دانشگاه تهران