پیش‌بینی کم‌آبی‌ ماهانه با استفاده از یک مدل استوکستیک و سیستم استنتاج فازی مبتنی بر شبکة تطبیقی

آگاهی از دبی‌ جریان و پیش‌بینی آن به ویژه در مواقعی که رودخانه با کم‌آبی مواجه است امری ضروری در جهت مدیریت بهره‌‌برداری از رودخانه است. در این مقاله به ‌منظور مدل‌سازی سری‌های‌ زمانی تشکیل شده از کم‌آبی‌های ماهانه و پیش‌بینی مقدار و زمان وقوع کم‌آبی‌ها، از یک مدل استوکستیک متداول (مدل میانگین متحرک تجمعی خودبازگشت-ARIMA) و یک مدل مبتنی بر هوش مصنوعی (سیستم استنتاج فازی مبتنی بر شبکة تطبیقی-ANFIS) استفاده شده و نتایج حاصل از دو روش با یکدیگر مقایسه شده است. مقدار عددی کم‌آبی در هر ماه برابر با حداقل مقدار میانگین متحرکهای یک، سه و هفت‌روزة دبی جریان در همان ماه در نظر گرفته شد‌ه و بدین ترتیب سه سری زمانی یک، سه و هفت‌روزه از کم‌آبی‌های ماهانه به دست آمده است. بررسی عملکرد دو مدل یاد شده با استفاده از آمار ثبت ‌شده از دبی جریان در خروجی حوضة آبریز معرف ناورود در استان گیلان نشان داد که مدل ARIMA عملکرد بهتری در پیش‌بینی کم‌آبی‌های یک، سه و هفت‌روزه دارد. علاوه بر این، نتایج این تحقیق نشان داد که هر دو مدل ARIMA و ANFIS کم‌آبی‌های سه‌روزه را با خطای کمتری نسبت به کم‌آبی‌های یک و هفت‌روزه پیش‌بینی می‌کنند.