ريزمقياس كردن مكاني - زماني سري هاي زماني بارش با استفاده از مدل تركيبي موجك - شبكه عصبي مصنوعي

Spatial-temporal disaggregation of rainfall time series using wavelet-artificial neural network hybrid model

با توجه به نياز شبيه سازي سري هاي زماني بارش در مقياس هاي مختلف براي مقاصد مهندسي از يك طرف و عدم ثبت اين پارامترها در مقياس هاي ريز بدليل مشكلات اجرايي و اقتصادي از طرف ديگر، ريزمقياس كردن بارش به مقياس مورد نظر، يك امر ضروري مي باشد. در اين مطالعه، براي ريزمقياس كردن سري زماني بارش ايستگاه هاي تبريز و سهند، با توجه به ويژگي هاي غيرخطي مقياس هاي زماني، مدل تركيبي موجك - شبكه عصبي مصنوعي (WANN) پيشنهاد شده است. براي اين هدف داده هاي سري زماني ماهانه شش ايستگاه و روزانه چهار ايستگاه بارش حوضه آبريز درياچه اروميه، براي 10 سال بوسيله تبديل موجك به زيرسري هاي زماني تجزيه شده و سپس با استفاده از معيارهاي اطلاعات متقابل و ضريب همبستگي، زيرسري ها رتبه بندي شده و براي ريزمقياس كردن سري زماني ماهانه ايستگاه هاي تبريز و سهند به روزانه، زيرسري هاي برتر به عنوان داده هاي ورودي به مدل شبكه عصبي مصنوعي (ANN) وارد شد. نتايج بدست آمده از مدل WANN، با نتايج حاصل از كاربرد ANN و روش كلاسيك رگرسيون چند متغيره خطي، مقايسه شد. در مجموع نتايج مدل WANN نسبت به مدل هاي ANN و رگرسيون چند متغيره خطي براي اعتبارسنجي در حالت بهينه ايستگاه تبريز به ترتيب 8.5% و 33% و در حالت بهينه ايستگاه سهند، به ترتيب 13.7% و 26% افزايش نشان داد. لذا ملاحظه گرديد كه روش WANN نسبت به دو روش ديگر، دقت بالاتري داشته و به عنوان روشي مناسب جهت ريزمقياس كردن پارامتر هاي هيدروكليماتولوژيكي پيشنهاد مي گردد.

The need to simulate rainfall time series at different time scales for engineering purposes on the one hand and lack of recording such parameters in small scales because of administrative and economic problems, on the other hand, rainfall time series disaggregation to the desired scale is an essential topic in water resources engineering. In this study, for disaggregating the Tabriz and Sahand rain gauges time series, according to nonlinear characteristics of time scales, wavelet-artificial neural network (WANN) hybrid model is proposed. For this purpose, daily data of four rain gauges and monthly data of six rain gauges from Urmia Lake Basin for ten years were decomposed with wavelet transform and then using mutual information and correlation coefficient criteria, the subseries were ranked and dominant subseries were used as input of ANN model for disaggregating the monthly rainfall time series to the daily time series. Results obtained by the WANN disaggregation model were also compared with the results of ANN and conventional multiple linear regression models. The efficiency of the WANN model with regard to ANN and multiple linear regression models at validation stage for Tabriz rain gauge shows increase up to 8.5% and 33% and for Sahand rain gauge shows increase up to 13.7% and 26% respectively. It was concluded that hybrid WANN model can be considered as an accurate model to disaggregate the hydro-climatological time series.