fa ارزیابی عملکرد مدل‌های هیبریدی ARIMA در پیش‌بینی هدایت الکتریکی روزانه (مطالعه موردی: ایستگاه هیدرومتری تله‌زنگ) عمومی Ggeneral پژوهشي Research <div style="text-align: justify;"><strong><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:11.0pt;">در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی- عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدل‌های هیبریدی&nbsp;</span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:9.0pt;">ARIMA-ANN, ARIMA- ANFIS</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:11.0pt;"> برای مدل‌سازی و پیش‌بینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آب‌سنجی تله‌زنگ با طول دوره آماری 49 ساله استفاده‌ شده است. برای این منظور از داده‌های روزانه سال‌های 1384-1347 برای آموزش مدل و از داده‌های سال‌های 1396-1385 برای آزمون استفاده شد. برای تأیید صحت مدل‌های اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزئی باقی‌مانده‌ها و آماره پورت مانتئو استفاده شد. در مدل‌سازی و پیش‌بینی هدایت الکتریکی برای انتخاب پارامتر ورودی مؤثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:9.0pt;">PMI</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:11.0pt;"> بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تأخیر) و سدیم (با یک روز تأخیر) و درجه حرارت (با یک روز تأخیر) و دبی جریان (با دو ماه تأخیر) و اسیدیته (با یک روز تأخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل به‌عنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدل‌ها تأیید کننده برتری مدل هیبریدی </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:9.0pt;">ARIMA-ANFIS</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:11.0pt;"> با تابع عضویت ذوزنقه‌ای و تعداد تابع عضویت 2 نسبت به سایر مدل‌ها با مقادیر ضریب تبین 86/0و ریشه میانگین مربعات </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:9.0pt;">dS/m</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Lotus;"><span style="font-size:11.0pt;"> 29 است همچنین مدل آریما ضعیف‌ترین عملکرد را در مدل‌‌سازی و پیش‌بینی پارامتر کیفی روزانه ایستگاه هیدرومتری تله‌زنگ به‌خود اختصاص داده است.</span></span></span></strong></div> <div style="text-align: justify;">In this study, we used the ARIMA time series model, the fuzzy-neural inference network, multi-layer perceptron artificial neural network, and ARIMA-ANN, ARIMA-ANFIS hybrid models for the modeling and prediction of the daily electrical conductivity parameter of daily teleZang hydrometric station over the statistical period of 49 years. For this purpose, the daily data for the 1996-2004 period were used for model training and data for the 1996-2006 period were applied for testing. In order to verify the validity of the fitted ARIMA models, the residual autocorrelation and partial autocorrelation functions and Port Manteau statistics were used. PMI algorithm were&nbsp;&nbsp; then used to model and predict electrical conductivity for selecting the effective input parameter of the neural fuzzy inference network and the artificial neural network. The daily parameters of magnesium (with two days delay) and sodium (with one day delay), heat (with one day delay), flow rate (with two months delay), and acidity (with one day delay) were obtained with the lowest values of Akaike and highest values of hempel statistics as the input of the neural fuzzy inference network and the artificial neural network for modelling daily electric conductivity predictions; then predictions were made. Also, models evaluation criteria confirmed the superiority of the ARIMA-ANFIS hybrid model with the trapezoidal membership function and with two membership numbers, as compared to other models with a coefficient of determination of 0.86 and the root mean square of 29 dS / m. Also, the Arima model had the weakest performance. So, it could be applied to modeling and forecasting the daily quality parameter of the tele Zang hydrometer station.</div> کیفیت آب, شبکه استنتاج فازی عصبی , اریما, شبکه عصبی, مدل هیبریدی Water quality, Neural fuzzy inference network, Arima, Neural network, Hybrid models. 257 268 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3743-1&slc_lang=fa&sid=1 A. Ahmadpour عباس احمدپور aahmadpour67@yahoo.com Yes 1. Department of Water Science Engineering, Faculty of Soil and Water, University of Zabol, Zabol, Iran. 1- گروه مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل S. H. Mirhashemi سید حسن میرهاشمی Hassan.mirhashemi@yahoo.com No 1. Department of Water Science Engineering, Faculty of Soil and Water, University of Zabol, Zabol, Iran. 1- گروه مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل P. Haghighatjou پرویز حقیقت جو phjou40@gmail.com No 1. Department of Water Science Engineering, Faculty of Soil and Water, University of Zabol, Zabol, Iran. 1- گروه مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل M. R. Raisi Sistani محمدرضا رئیسی سیستانی mohammad.raeisi60@gmail.com No 1. Department of Water Science Engineering, Faculty of Soil and Water, University of Zabol, Zabol, Iran. 1- گروه مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل