fa مقایسه برخی از روش های هوش مصنوعی در پیش بینی سری‌های زمانی روزانه دمای حداقل، حداکثر و بارش ایستگاه سد تنگاب واقع در استان فارس تخصصي Special پژوهشي Research <p>توسعه یک مدل پیش‌بینی هیدرولوژیکی بر اساس اطلاعات ثبت شده‌ی گذشته، به منظور مدیریت و برنامه‌ریزی موثر مخازن آبی، وابسته به پیش‌بینی و درک صحیح از سری‌های زمانی تاثیر گذار در منابع آب است. در سال‌های اخیر یکی از موضوعات رو به رشد در این زمینه، استفاده از روش‌های هوش مصنوعی در مدل‌سازی، پیش‌بینی و بازیابی اطلاعات هیدرولوژیکی است. در این مقاله به مقایسه روش‌های هوش مصنوعی در پیش‌بینی و بازیابی سری‌های زمانی روزانه‌ی دمای حداقل و حداکثر و بارش در ایستگاه سد تنگاب پرداخته شده است. در این مطالعه هم از خود سری‌ها (استفاده از تاخیر در سری‌ها) و هم از ایستگاه‌های مجاور، به منظور بازیابی و پیش‌بینی اطلاعات، استفاده شده است. روش‌های MLP (پرسپترون چند لایه)، RBF (توابع شعاعی پایه)، SVM (ماشین‌های بردار پشتیبان)، روش منطق فازی (FIS) و روش ANFIS (سیستم استنتاج عصبی- فازی)، مورد بررسی قرار گرفته‌اند. به منظور ارزیابی و سنجش عملکرد این مدل‌ها از میانگین توان دوم خطا (MSE)، ضریب همبستگی (R)، واریانس و انحراف معیار داده‌های حاصل، و همچنین نمودارهای گرافیکی استفاده شده است. نتایج نشان دهنده عدم کارایی مدل‌ها در پیش بینی بارش است ولی به منظور بازیابی بارش و پیش‌بینی دما می‌توان از این روش‌ها استفاده کرد.</p> <p>Development of a prediction hydrological model based on past records depends on the proper prediction and understating of time series effective on water resources to manage and plan water reservoirs effectively. In recent years, a growing issue in this context is the application of artificial intelligence techniques in modeling, forecasting and recovery of hydrological data. This paper compares the artificial intelligence methods in predicting and recovery of time series of daily minimum and maximum temperatures and precipitation in Tangab dam station. Both series (using delay in the series) and nearby stations are used in this study to recover and predict data. Multi-layer perceptron (MLP), radial basis functions(RBF), support vector machine (SVM), fuzzy inference system (FIS) and adaptive neuro-fuzzy inference system (ANFIS) methods have been studied. In order to evaluate the performance of these models, the mean squared error (MSE), correlation coefficient (R), variance and standard deviation of obtained data, as well as graphical diagrams have been used. The results showed the inefficiency of the models in predicting precipitation, but these can be used in recovering the precipitation and predicting temperature.</p> واژهای کلیدی: ANFIS ,RBF ,MLP ,SVM, تنگاب, هوش مصنوعی ANFIS, MLP, RBF, SVM, Artificial intelligence 205 228 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-2009-2&slc_lang=fa&sid=1 ali ajamzadeh علی عجم زاده ali.ajamzadeh@gmail.com 100319475328460013999 100319475328460013999 Yes دانش‌آموخته کارشناسی‌ارشد مهندسی عمران-مهندسی آب، دانشکده فنی و مهندسی، دانشگاه زابل (نویسنده مسئول). محمود رضا ملائی نیا 100319475328460014000 100319475328460014000 No عضو هیات علمی گروه عمران، دانشکده فنی و مهندسی، دانشگاه زابل. قاسم قندهاری 100319475328460014001 100319475328460014001 No دانش‌آموخته کارشناسی‌ارشد مهندسی کشاورزی-مهندسی آب، دانشکده کشاورزی، دانشگاه زابل