حسین شریفان - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
فائقه پژوهش - دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
امیراحمد دهقانی - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی منابع طبیعی گرگان، گرگان، ایران

با توجه به برنامه­ریزی منابع آب، به­خصوص در مناطقی که منابع آب سطحی به عنوان اصلی­ترین منبع در امور شرب و کشاورزی به­حساب می­آیند، برآورد میزان آب رودخانه­ها در دوره­های کم آبی و پرآبی اهمیت پیدا می­کند. در این تحقیق با استفاده از یک مدل­سازی سری زمانی، میزان و زمان وقوع کم­آبی و پرآبی رودخانه گرگانرود، بر اساس مدل سری زمانی متداول میانگین متحرک تجمعی خود بازگشت(ARIMA) برآورد شده است و در ادامه از شبکه عصبی، به­عنوان مدلی از خانواده هوش مصنوعی، در برآورد میزان و زمان وقوع کم­آبی و پرآبی رودخانه، استفاده شده است. مقدار کم­آبی و پرآبی هر ماه، با استفاده از مقدار میانگین متحرک یک، سه، پنج و هفت روزه­ی دبی جریان در هر ماه، در نظر گرفته شده است. در پایان، این نتیجه حاصل شد که سری­های­زمانی کم­آبی، نسبت به سری­زمانی پرآبی، در استفاده از مدل استوکستیک و شبکه عصبی نتایج بهتری ارائه می­دهند، هم­چنین با توجه به آماره میانگین خطای مطلق(MAE) و در سری­زمانی کم­آبی۱و۷ روزه، مدل استوکستیکARIMA ، نسبت به مدل شبکه عصبی نتیجه بهتری ارائه می­دهد، شبکه عصبی نیز در سری­زمانی کم­آبی، ۳و۵ روزه، نتایج بهتری را ارائه می­دهد و با توجه به آماره میانگین خطای مطلق(MAE) در پرآبی­ها، مدل  ARIMAدر سری زمانی یک روزه و ANN در سری زمانی ۳ و ۵ و ۷ روزه نتایج مناسب­تری ارائه داده است.

آبدهی ماهانه, کم آبی, پرآبی, مدل سازی سری زمانی, ARIMA, شبکه عصبی