بررسي عملكرد مدل شبكه عصبي موجك در تخمين دبي روزانه

Evaluvating the Performance of Wavelet Neural Network Models in Estimation of Daily Discharge

سيل يكي از بلاياي طبيعي مهمي است كه همه‌ ساله باعث ايجاد خسارت‌هاي مالي و جاني فراواني به جوامع مختلف مي‌گردد. به همين دليل محققين سعي نموده‌اند كه تغييرات كمي اين پديده را حتي‌المقدور به‌ طور دقيق مورد بررسي قرار دهند. در اين پژوهش براي تخمين دبي روزانه ايستگاه بادآور نورآباد واقع در استان لرستان از مدل شبكه عصبي موجك استفاده شد و نتايج آن با ساير روش‌هاي هوشمند ازجمله شبكه عصبي مصنوعي مقايسه گرديد. براي اين منظور از پارامتر حداكثر بارش 24 ساعته يك تا چهار روز قبل در مقياس زماني روزانه در طي دوره آماري (1391-1381) به‌عنوان ورودي و دبي حداكثر روزانه به‌عنوان پارامتر خروجي مدل‌ها انتخاب گرديد. معيارهاي ضريب تعيين، ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا براي ارزيابي و عملكرد مدل‌ها مورداستفاده قرار گرفت. نتايج نشان داد هر دو مدل قابليت خوبي در تخمين دبي روزانه دارند، مقايسه نتايج نشان داد مدل شبكه عصبي موجك عملكرد بهتري نسبت به مدل شبكه عصبي مصنوعي در مدل‌سازي دارد، به‌گونه‌اي كه مدل شبكه عصبي موجك با بالاترين ضريب تعيين (0/920)، جذر ميانگين مربعات خطا (0/005) و نيز ميانگين قدر مطلق خطا (0/003) در مرحله صحت سنجي در اولويت قرار گرفت. درمجموع نتايج نشان داد استفاده از مدل شبكه عصبي موجك مي‌تواند درزمينه تخمين دبي روزانه مفيد باشد.

River flow prediction is one of the most important key issues in the management and planning of water resources, in particular the adoption of proper decisions in the event of floods and the occurrence of droughts. In order to predict the flow rate of rivers, various approaches have been introduced in hydrology, in which intelligent models are the most important ones. The application of artificial neural networks (ANNs) to various aspects of hydrological modeling has undergone much investigation in recent years. This interest has been motivated by the complex nature of hydrological systems and the ability of ANNs to model non-linear relationships. ANNs are essentially semi-parametric regression estimators and well suited for hydrological modeling, as they can approximate virtually any (measurable) function up to an arbitrary degree of accuracy (Hornik et al., 1989). A significant advantage of the ANN approach in system modeling is that one need not have a well-defined process for algorithmically converting an input to an output.