ارزيابي كارايي انواع تبديل موجك در مدل سازي تركيبي موجك - شبكه عصبي مصنوعي براي پيش ‌بيني جريان ماهانه رودخانه (مطالعه موردي: رودخانه كارده)

رواناب پديده‎اي مهم در چرخه هيدرولوژيكي است، از اين رو پيش‌ بيني ميزان رواناب رودخانه براي اهدافي نظير برنامه‌ريزي فعاليت‌هاي كشاورزي، پيش‌بيني سيلاب و تأمين آب مصرفي حائز اهميت است. پيچيده بودن مدل‏هاي فيزيكي يكي از دلايلي است كه باعث شده پژوهشگران به مدل‏هاي داده‌ مبناء و مبتني بر هوش مصنوعي روي آورند. وجود تغييرات آماري در داده‌ها سبب مي‌شود كه مدل‌سازي جريان رودخانه با مدل‌هاي داده‌مبناء با مشكلاتي در فرآيند يادگيري مدل همراه باشد. لذا لازم است با مدل‌سازي تلفيقي، دقت پيش‌بيني جريان ارتقاء يابد. هدف تحقيق حاضر، ارزيابي كارايي انواع موجك‌هاي گسسته و پيوسته در مدل تركيبي موجك-شبكه عصبي (WANN) براي پيش‌بيني جريان ماهانه رودخانه كارده در ايستگاه ورودي به سد كارده است. بدين منظور، دو موجك گسسته Haar و Fejer-Korovkin2 و دو موجك پيوسته Symlet3 و Daubechies2 در تركيب با مدل ANN مورد ارزيابي قرار گرفت. بررسي داده‌هاي هواشناسي و هيدرومتري در يك دوره 30 ساله (1370-1399) نشان داد كه جريان ماهانه در دو گام زماني T-1 و T-2 بهترين متغيرهاي پيش‌بيني‌كننده (در سطح اطمينان 95%) بودند. آناليزهاي تركيبي در سه سطح تجزيه انجام و كارايي مدل‌ها با روش صحت‌سنجي متقاطع در4 سطح مورد ارزيابي قرار گرفت. نتايج نشان داد كه مدل‌هاي تركيبي داراي دقت بالاتري نسبت به مدل ANN بودند و مدل تركيبي پيشنهادي Symlet3-ANN در سطح 3، نتايج بهتري نسبت به ساير مدل‎ها ارائه داد، بطوري‌كه شاخص‌هاي R، RMSE و NSE در بخش واسنجي به‌ترتيب 0.90، 0.25 و 0.81 و در بخش صحت‌سنجي به‌ترتيب 0.85، 0.30 و 0.62 بود. همچنين ملاحظه شد دقت نتايج در سطح دو و سه تفاوت معناداري ندارند و بهتر است جهت كاهش مؤلفه‏هاي ورودي به مدل ANN و كاهش زمان اجراي مدل، تجزيه در سطح دو انجام شود.