تأثير موجك بر افزايش دقت مدل‌هاي تخميني در مدل‌سازي بارش-رواناب (مطالعۀ موردي: حوضۀ صوفي‌چاي)

فرآيند بارش-رواناب از مهم‌ترين و پيچيده‌ترين پديده‌ها در چرخه هيدرولوژي بوده و در مدل‌سازي آن، ديدگاه‌هاي متفاوتي براي توسعه و بهبود مدل‌هاي پيش‌بيني‌كننده ارائه شده است. لذا، بر حسب استفاده از روش‌هاي گوناگون، انواع مدل‌ها توسعه يافته‌اند. در اين تحقيق فرآيند بارش-رواناب در حوضه صوفي‌چاي با استفاده از شبكه عصبي مصنوعي (ANN) و هيبريد موجك -شبكۀ عصبي (WANN) مورد مطالعه قرارگرفته است. داده‌هاي بارش-رواناب در طول دوره آماري (981380) براي آموزش و صحت‌سنجي مدل‌ها مورد استفاده قرار گرفت و شش سناريو براي هر مدل در نظر گرفته شد. نتايج اين سناريو‌ها نشان داد كه بهترين ورودي‌ها براي مدل‌ها، مربوط به سناريوي پنج است كه در آن از دبي با يك تأخير، بارش ماه مورد نظر و بارش با يك تأخير استفاده شده است. در حالت كلي نتايج حاكي از دقت قابل قبول هر دو مدل است. از لحاظ اولويت نيز مدل WANN با بيش‌ترين دقت ضريب همبستگي (r)، جذر ميانگين مربع خطاها (RMSE) و ضريب نشساتكليف (NSE) به‌ترتيب برابر 0.97، 23.99 و 0.95 براي مرحله آموزش و 0.82، 62.33 و 0.68 براي مرحله آزمون كمترين خطا در اولويت اول و مدل ANN در اولويت بعدي با مقادير ضريب همبستگي (R)، جذر ميانگين مربع خطاها (RMSE) و ضريب نشساتكليف (NSE) به‌ترتيب برابر 0.93، 40.41 و 0.87 براي بخش آموزش و 0.81، 73.40 و 0.56 براي بخش آزمون قرار گرفتند و نتايج گوياي اين بود كه موجك باعث بهبود نتايج و پيش‌بيني در مدل‌سازي بارش-رواناب شده است.