حبیب اکبری الاشتی - دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی،
امید بزرگ حداد - استادیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دان
جابر رحیمی - دانشجوی کارشناسی ارشد مهندسی هواشناسی کشاورزی، گروه مهندسی آبیاری و

پیش بینی سری زمانی هیدرولوژیکی در هیدرولوژی نقش مهمی را در مدیریت منابع آب ایفا می نماید و در مدیریت بهینه از این منابع ارزشمند تأثیر بسزایی دارد. این پیش بینی ها در زمینه های مختلفی از هیدرولوژی و مدیریت منابع آب از جمله اتخاذ تدابیر مناسب در برنامه ریزی کشاورزی و کاهش مخاطرات ناشی از سیلاب و خشکسالی ها مورد نیاز می باشند. به همین دلیل همواره هیدرولوژیست ها در تلاش برای بدست آوردن و معرفی روش هایی با کارآیی مطلوب و دقیق در این زمینه بوده اند. از جمله مدل هایی که برای پیش بینی آبدهی رودخانه معرفی شده اند می توان به روش های سری زمانی، شبکه های عصبی مصنوعی (ANNs) و برنامه ریزی ژنتیک (GP) اشاره نمود. در سال های گذشته محققان تحقیقات زیادی در بررسی توانایی این روش ها انجام داده اند که نتایج این تحقیقات حاکی از برتری مدل های مبتنی بر هوش مصنوعی نسبت به روش های سنتی می باشد. در تحقیق حاضر از روش های خود همبسته میانگین متحرک با ورودی های غیر تصادفی (ARMAX)، ANN و GP، برای پیش بینی ماهانه سری زمانی آبدهی رودخانه سعید آباد واقع در استان آذربایجان شرقی استفاده شده است و دقت نتایج حاصله با یکدیگر مورد مقایسه قرار گرفته است. دو معیار ارزیابی کارآیی، ضریب تبیین (R2) و جذر میانگین مربعات خطا (RMSE) برای ارزیابی مدل ها استفاده شده است. نتایج حاکی از آن است که در پیش بینی ماهانه سری زمانی آبدهی رودخانه ها، مدل GP با ضریب تبیینی برابر با 7/0 و جذر میانگین مربعات خطایی برابر با 172/0 در مقایسه با ANN و ARMAX از کارآیی بیشتر و دقت بالاتر برخوردار می باشد.

برنامه ریزی ژنتیک، پیش بینی آبدهی، شبکه عصبی مصنوعی، ARMAX