Journal of Water and Soil Science
علوم آب و خاک
jwss
Agriculture
http://jstnar.iut.ac.ir
0
user
2476-3594
2476-5554
10.47176/jwss
fa
jalali
1394
8
1
gregorian
2015
11
1
19
73
online
1
fulltext
fa
تخمین ضریب رواناب رگبار با استفاده از سیستم استنباط فازی- عصبی تطبیقی (ANFIS) در حوزه آبخیز بار اریه نیشابور
Storm Runoff Coefficient Estimation Using Adaptive Neuro-Fuzzy Inference System in Barariyeh Watershed, Neishabour
عمومی
Ggeneral
پژوهشي
Research
<p><strong>فرآیند</strong> <strong>بارش</strong> <strong>-</strong> <strong>رواناب</strong> <strong>و</strong> <strong>ایجاد</strong> <strong>سیلاب از</strong> <strong>پدیدههای</strong> <strong>هیدرولوژیکی</strong> <strong>هستند</strong> <strong>که</strong> <strong>بررسی</strong> <strong>آنها</strong> <strong>بهسبب</strong> <strong>تأثیرپذیری</strong> <strong>از</strong> <strong>پارامترهای</strong> <strong>مختلف،</strong> <strong>دشوار</strong> <strong>میباشد.</strong> <strong>تاکنون</strong> <strong>روشها</strong> <strong>و</strong> <strong>الگوهای</strong> <strong>مختلفی</strong> <strong>برای</strong> <strong>تحلیل</strong> <strong>این</strong> <strong>پدیدهها</strong> <strong>ارائه</strong> <strong>شده</strong> <strong>است.</strong> <strong>از</strong> <strong>اینرو</strong> <strong>هدف</strong> <strong>این</strong> <strong>پژوهش</strong> <strong>ارزیابی</strong> <strong>شبکه</strong> <strong>عصبی-فازی تطبیقی</strong> <strong>در</strong> <strong>پیشبینی</strong> <strong>ضریب</strong> <strong>رواناب رگبار است</strong><strong><span dir="ltr">.</span></strong><strong> بهاین منظور حوزه آبخیز بار اریه نیشابور انتخاب و دادههای مربوط به 33 واقعه در بین سالهای آماری 1331 تا 1385 جمعآوری گردید. بهمنظور انتخاب متغیرهای مستقل در برآورد ضریب رواناب از تجزیه و تحلیل عاملی استفاده شد، که براساس آن چهار متغیر مقدار متوسط بارندگی، چارک سوم، اول و چهارم شدت بارندگی و همچنین پنج متغیر شاخص (</strong><strong><span dir="ltr"> </span></strong><span dir="rtl">&phi</span><strong>) و چارکهای اول تا چهارم شدت بارش بهعنوان عوامل اصلی برگزیده شدند. همچنین ترکیب سایر متغیرها براساس نقش هیدرولوژیکی آنها، بهعنوان ورودی شبکه مدنظر قرار گرفت. نتایج نشان داد که شبکه با ورودی چارکهای اول تا چهارم شدت بارندگی، مقدار کل بارش و شاخص </strong><span dir="rtl">&phi</span><strong> و بارش پنج روز قبل ضریب رواناب رگبار را با ضریب تبیین آزمون 91/0 و ریشه میانگین مربعات خطا 02806/0 و متوسط قدر مطلق خطا 0275/0 پیشبینی کند.</strong></p>
<p>The rainfall-runoff process and flooding are hydrological phenomena that are difficult to study due to the influence of different parameters. So far, different methods and models have been provided to analyze these phenomena. The purpose of this study is evaluation of adaptive neuro-fuzzy inference system (ANFIS) for storm runoff coefficient forecasting. To that end, Barariyeh watershed was chosen in Neishabour and the data of 33 events were collected from 1952 to 2006. Factor analysis (FA) was used for determination of independent variables in storm runoff coefficient forecasting. Four variables were selected as independent variables, including average rainfall, third, first and fourth quartiles of rainfall intensity and also five other variables included <span dir="rtl">&phi</span> index and first to fourth quartiles of rainfall intensity. Other variables combined based on their hydrological role were considered as ANFIS inputs. The results revealed that the ANFIS inputs including first to fourth quartiles of rainfall intensity, <span dir="rtl">&phi </span> index, and total rainfall of five days before can predict storm runoff coefficient with R<sup>2</sup>=0.91, RMSE=0.02506, MAE=0.0666 and CE=0.87.</p>
ضریب رواناب رگبار, سیستم استنباط فازی-عصبی, حوزه آبخیز بار اریه, نیشابور.
Storm Runoff Coefficient, ANFIS, Barariyeh Watershed, Neishabour.
165
177
http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-159&slc_lang=fa&sid=1
M.
Jafari
مینا
جعفری