پيش بيني بارش ماهانه با مدل تركيبي شبكه عصبي مصنوعي-موجك و مقايسه با مدل شبكه عصبي مصنوعي

Forecasting Monthly Precipitation Using a Hybrid Model of Wavelet Artificial Neural Network and Comparison with Artificial Neural Network

بدون شك اولين قدم در مديريت رودخانه پيش بيني بارش سطح حوضه آبريز مي باشد. با اين حال، با توجه به بالا بودن خاصيت تصادفي فرآيندها، بسياري از مدل ها هنوز هم به منظور تعريف چنين پديده پيچيده اي در زمينه مهندسي هيدرولوژيك توسعه داده مي شوند. اخيراً شبكه هاي عصبي مصنوعي به عنوان يك برون يابي و درون‌يابي غيرخطي گسترده توسط هيدرولوژيست ها مورد استفاده قرار مي گيرد. در پژوهش حاضر، تجزيه و تحليل موجك به صورت تركيب با شبكه عصبي مصنوعي و مقايسه با شبكه عصبي مصنوعي براي پيش بيني بارش ايستگاه وراينه در شهرستان نهاوند انجام شد. براي اين منظور، سري زماني اصلي با استفاده از تيوري موجك به چندين زيرسيگنال زماني تجزيه شد، پس از آن اين زيرسيگنال ها به عنوان داده هاي ورودي به شبكه عصبي مصنوعي براي پيش بيني بارش ماهانه استفاده شد. نتايج به دست آمده نشان داد كه با توجه به ضريب همبستگي 92/0 و ميانگين مربعات خطاي 002/0 مدل تركيبي شبكه عصبي مصنوعي-موجك، عملكرد اين مدل نسبت به مدل شبكه عصبي مصنوعي با ضريب همبستگي 75/0 و ميانگين مربعات خطاي 003/0 بهتر مي باشد و مي تواند براي پيش بيني بارش كوتاه مدت و بلند مدت استفاده شود.

Doubtlessly the first step in a river management is precipitation prediction of the watershed area. However, considering high-stochastic property of the process, many models are still being developed in order to define such a complex phenomenon in the field of hydrologic engineering. Recently Artificial Neural Network (ANN) is extensively used as a non-linear inter-extrapolator by hydrologists. In the present study, Wavelet Analysis combined with artificial neural network and compared with Artificial Neural Network to predict the precipitation of Varayeneh station in the city of Nahavand. For this purpose, the original time series using wavelet theory decomposed to multi sub-signals.After this these sub-signals are used as input data to Artificial Neural Network to predict monthly Precipitation. The results showed that according to correlation coefficient of 0.92 and mean square error of 0.002 for the hybrid model of Wavelet- Artificial Neural Networks, the performance of this model is better than Artificial Neural Network with correlation coefficient of 0.75 and mean square error of 0.003 and can be used for short and long term precipitation prediction.