تأثير دما بر برآورد جريان خروجي از حوضه آبريز توسط شبكه‌هاي عصبي پرسپترون و كانولوشني همراه با تحليل موجك

تخمين جريان خروجي از يك حوضه آبريز تحت تأثير پارامترهاي مختلف، فرايندي پيچيده بوده و در صورت كمبود اطلاعات حوضه، استفاده از مدل‌هاي تحليلي امكان‌ پذير نيست. از سوي ديگر، مدل‌‌هاي هوش مصنوعي نياز به مشخصات حوضه نداشته و برخي مانند شبكه عصبي كانولوشني (CNN) اخيراً در هيدرولوژي كاربرد فراواني داشته‌اند. هدف اين تحقيق بررسي عملكرد CNN در برآورد جريان خروجي بر حسب پارامترهاي دما، بارش و دبي ورودي به حوضه بوده است. در اين تحقيق از CNN، تركيب CNN با تحليل موجك (WCNN) و از شبكه عصبي پرسپترون (MLP) جهت ارزيابي ‌تأثير دما بر برآورد جريان خروجي در حوضه آبريز قلعه شاهرخ چلگرد در بازه زماني سال 1992 تا 2015 ميلادي استفاده شد. هر مدل 20 مرتبه اجرا شده و ميانگين مقادير ضريب همبستگي (R)، ريشه ميانگين مربعات خطا (RMSE) و ضريب نش ساتكليف (NS) محاسبه شده‌اند. تأخير يك، دو و سه ماهه داده‌هاي دما و بارندگي نيز به ‌عنوان داده ورودي لحاظ شده است. همچنين، از تحليل موجك جهت پيش‌پردازش داده‌ها در كاهش نوفه استفاده شده و نتايج نشان داد كه CNN  با تأخير سه ماهه داراي مقادير، و به ‌‌ترتيب برابر (m3/s) 0/922 ،14/20 و 0/772 بود. در مقابل، روش WCNNT3  با موجك Daubechies  كه تركيب CNN و تحليل موجك است، با عملكرد سطح چهار و وضوح دو (WCNNT3 - db42) داراي مقادير شاخص‌هاي ارزيابي برابر (m3/s) 0/945 ،9/45 و 0/863 بود. بر اين اساس، CNN عملكرد بهتري نسبت به MLP داشته و روش WCNN  نيز با كمك تحليل موجك، كارايي و عملكرد بهتري نسبت بهCNN از خود نشان داد.