بررسی عدم قطعیت مدل های شبکه عصبی مصنوعی و عصبی فازی در پیش بینی رواناب حوضه رودخانه بشار

در این پژوهش، به‏ منظور انتخاب مدل مناسب به منظور پیش‏بینی رواناب در حوضه رودخانه بشار، از مدل‏های داده محور شبکه عصبی مصنوعی از نوع پرسپترون چندلایه و شبکه عصبی فازی از سیستم استنتاج فازی سوگنو، به روش خوشه‏ بندی کاهشی استفاده شد و تحلیل عدم قطعیت این مدل‏ها مورد بررسی قرار گرفت. داده‏ های مورد استفاده در این پژوهش، شامل مقادیر ماهانه بارندگی و دمای متوسط در ایستگاه‏های باران‏سنجی و آبدهی متوسط ماهانه رودخانه بشار در ایستگاه هیدرومتری واقع در این حوضه از سال 1358 1359 تا 1397 1398 است. نتایج حساسیت سنجی روی تعداد نرون‏ های لایه میانی در شبکه عصبی نشان داد بهترین تعداد نرون لایه میانی برای ترکیب ورودی بهینه برابر 13 است. بر اساس شاخص جذر میانگین مربعات خطا (RMSE)، بهترین ترکیب متغیرهای ورودی برای شبیه‏سازی دبی رودخانه، در هر دو مدل شبکه عصبی و شبکه عصبی فازی، ترکیب ورودی شامل دبی‏های متوسط رودخانه با یک ماه و دو ماه تاخیر به همراه مقادیر بارش ماهانه و بارش ماهانه با یک ماه و دو ماه تاخیر تعیین شد. به‏ منظور بررسی عدم قطعیت مدل‏ها، مدل‏های شبکه عصبی مصنوعی و عصبی فازی در قالب یک نمونه‏گیری مونت‏کارلو به کار گرفته شدند. نتایج بررسی عدم قطعیت نشان داد به ازای متغیرهای ورودی تصادفی یکسان، میزان انحراف از معیار در خروجی مدل شبکه عصبی بیشتر از مدل شبکه عصبی فازی است. همچنین نتایج حاصل از محاسبه فاصله اطمینان نشان می‏دهد بازه اطمینان برای مقادیر اطمینان مختلف، در شبکه عصبی فازی کوچک‏تر است، به ‏طوری ‏که در مدل شبکه عصبی با اطمینان 98 درصد خروجی در بازه (64/0 و 036/0) قرار دارد، اما در مدل عصبی فازی با اطمینان 98 درصد، خروجی بین بازه (69/0 و 53/0) قرار دارد که نشان از عدم قطعیت بیشتر در نتایج مدل شبکه عصبی دارد.