مدلسازي چندگامه پديده هاي هيدروكليماتولوژيكي با استفاده از مدل فصلانه موجك- شبكه عصبي

Multistep Modeling of Hydroclimatic Phenomena Using Wavelet-Neural Network Seasonal Model

با توجه به اين ­كه سري­ هاي زماني هيدروكليماتولوژيكي داراي سه جزء اصلي خودهمبسته، فصلانه و تصادفي مي­ باشند و رفتار مدلهايي كه تاكنون ارائه شده ­اند، نسبت به اين اجزاء متفاوت بوده است، در اين مقاله از داده­ هاي ماهانه بارش و رواناب حوضه Murrumbidgee استراليا و داده ­هاي كمينه دماي ماهانه شهر تبريز براي ايجاد و ارزيابي مدل تركيبي موجك- شبكه عصبي استفاده شده است. با توجه به اين­ كه توانايي مدل غيرخطي و خودهمبسته شبكه عصبي مصنوعي (ANN) (Artificial Neural Network) در مدلسازي يك گام بعد فرآيند­هاي هيدروكليماتولوژيكي (Hydro-Climatological) اثبات شده است، در اين مقاله توانايي مدل ANN با انتشار برگشتي خطا و همچنين تركيب مدل ANN و تبديل موجك (WANN) در مدل­سازي فصلانه فرآيند­هاي هيدروكليماتولوژيكي براي پيش­ بيني چندگام بعد با به­ كارگيري كم­ترين ورودي بررسي شده است. به­ همين منظور ابتدا از مدل ANN و سپس از مدل WANN براي پيش ­بيني يك تا دوازده گام بعد استفاده شده است. در انتها كارايي همه مدل­ها با استفاده از معيارهاي ارزيابي بررسي شده و مدل­ها با يكديگر مقايسه شده‌اند. نتايج مدل­سازي بيانگر اين است كه استفاده از تبديل موجك به­ عنوان پيش ­پردازش داده­ ها موجب شده با كمترين ورودي، دقت نتايج مدل­سازي در همه گام­ هاي پيش­ بيني به­ صورت مطلوبي افزايش يابد. براي سري زماني رواناب موردمطالعه به­ دليل ويژگي خودهمبسته ضعيف و حالت فصلانه چندتناوبه قابل‌توجه، مدل ANN نتايج ضعيفي را ارائه داد ولي استفاده از تبديل موجك به ­عنوان پيش ­پردازش داده­ ها باعث بهبود نتايج در همه گام­ هاي پيش­ بيني نسبت به مدل ANN شد (تا 749%) و همچنين با افزايش مقياس زماني تجزيه به­ دليل افزايش زير سري ها و كنترل بهتر حالت فصلانه نتايج مناسب­ تري براي همه گام­ هاي پيش­ بيني حاصل شد. براي سري زماني دما به ­دليل ويژگي خودهمبسته قوي و حالت فصلانه تك ­تناوبه قابل‌توجه، مدل ANN نتايج نسبتاً مناسبي را ارائه داد ولي استفاده از تبديل موجك به ­عنوان پيش ­پردازش داده ­ها باعث بهبود نتايج در همه گام ­هاي پيش­ بيني نسبت به مدل ANN شد (تا 18%) ولي عملاً تغيير مقياس تجزيه، تفاوت چنداني را ايجاد نكرد.

In the present paper, the ability of the Artificial Neural Network (ANN) and combined wavelet-neural network (WANN) model were investigated for multistep modeling of hydroclimatic processes with the least input. For this purpose, the ANN model and then the WANN model were used to predict one to twelve steps in advance. Finally, the efficiencies of all models were examined using the evaluation criteria, and all models were compared with each other.