پيش‌بيني آبدهي متوسط ماهانه با استفاده از مدل تلفيقي شبكه عصبي مصنوعي و تبديلات موجك (مطالعه موردي: رودخانه كر- ايستگاه پل‌خان)

Prediction of monthly average discharge using the hybrid model of artificial neural network and wavelet transforms (Case study: KorRiver-Pol-e-Khan Station)

سابقه و هدف: آگاهي از اطلاعات دبي جريان در رودخانه‌ها براي مديريت منابع آب، پيش‌بيني سيل، طراحي مهندسي و مديريت زيست‌محيطي ضروري مي‌باشد. مدل‌هاي ارايه شده هم‌چون بارش- رواناب و سري‌هاي زماني به‌منظور پيش‌بيني ميزان آبدهي رودخانه‌ها به‌دليل عدم دقت و پيچيدگي عوامل موثر در آبدهي در بسياري از موارد با مقادير مشاهده شده تطابق ندارد. موجك يكي از روش‌هايي است كه در سال‌هاي اخير در زمينه هيدرولوژي مورد توجه قرار گرفته است. همچنين موجك روشي بسيار موثر در زمينه آناليز سيگنال‌ها و سري‌هاي زماني مي‌باشد. هدف از اين پژوهش ارايه يك مدل هوشمند تلفيقي مبتني بر شبكه عصبي مصنوعي و تبديلات موجك مي‌باشد كه براي شبيه‌سازي آبدهي متوسط ماهانه در رودخانه كر و ايستگاه پل‌خان مورد استفاده قرار مي‌گيرد. مواد و روش‌ها: منطقه مورد مطالعه در شهرستان مرودشت استان فارس و در 45 كيلومتري شيراز قرار دارد. همچنين عملكرد مدل‌هاي پيش‌بيني هوشمند تلفيقي مبتني بر شبكه عصبي مصنوعي و تبديلات موجك به كمك معيارهاي جذر ميانگين مربع خطا و ضريب تعيين مورد ارزيابي قرار مي‌گيرند. يافته‌ها: نتايج نشان دادند كه مدل تلفيقي شبكه عصبي مصنوعي و تبديل موجك با 2 درجه تجزيه‌سازي براي مناسب‌ترين ساختار، بهترين نتايج را ارايه مي‌كند. در اين ساختار، آبدهي خروجي براي جريان در ماه بعد بر حسب آبدهي 4، 3، 2، 1 ماه قبل و ماه جاري محاسبه شده و مقادير و به‌ترتيب برابر با 14/7 مترمكعب بر ثانيه و 941/0 به‌دست آمد. نتيجه‌گيري: مدل تلفيقي شبكه عصبي مصنوعي و تبديل موجك با 2 درجه تجزيه‌سازي در مقايسه با ساير مدل‌ها براي شبيه‌سازي و پيش‌بيني آبدهي متوسط ماهانه در رودخانه كر و ايستگاه پل‌خان بهترين نتايج را ارايه مي‌دهد.

Background and Objectives: Awareness of flow rate data in rivers is essential for management of water resources, flood forecasting, engineering design and environmental management. The presented models for flow rate predicting in rivers, such as rainfall-runoff and time series are not consistent with the observed data in many cases due to the lack of accuracy and complexity of the factors affecting the discharge. Wavelet is one of the methods that has been considered in recent years in the field of hydrology. Wavelet method is also very effective in the field of signals analysis and time series. The aim of this study was to present a hybrid intelligent model based on artificial neural network and wavelet transforms is used to simulate monthly average discharge in Kor River and Pol-e-Khan Station. Materials and methods: The study area is located in the city of Marvdasht in Fars Province and 45 km from Shiraz. Also performance of prediction models of hybrid intelligent based on artificial neural network and wavelet transforms are evaluated using the criteria of Root Mean Square Error (RMSE) and determination coefficient . Results: The results showed that the hybrid model of artificial neural network and wavelet transform with 2 degrees of decomposition offers the best results for the most suitable structure. In this structure, the output discharge for flow rate in the following month is calculated based on discharge in 4, 3, 2 and 1 month ago and current month and the values of RMSE and obtained 7.14 m3/s and 0.941 respectively. Conclusion: The hybrid model of artificial neural network and wavelet transform with 2 degrees of decomposition offers the best results to simulate and predict monthly average discharge in Kor River and Pol-e-Khan Station compared with other models.