معرفي مدل تلفيقي تبديل موجكي و شبكه هاي عصبي براي پيش بيني خشكسالي حوضه هاي آبخيز سدها

خشكسالی یك معضل اقلیمی مخرب است كه هم در طبیعت و هم در زندگی انسانها اثرات ویرانگری به جا گذاشته و خسارات جبران ناپذیری به بار می آورد. پیش بینی خشكسالی نقش مهمی در كنترل و مدیریت سیستم های منابع آبی دارد[ در این مطالعه یك مدل تلفیقی تبدیل موجكی Wavelet و شبكه عصبی مصنوعی Neural network جهت پیش بینی خشكسالی پیشنهاد شده است . شبكه عصبی مصنوعی یك ابزار مناسب و قوی برای پیش بینی سریهای زمانی غیر ثابت و غیر خطی است و تبدیل موجكی ابزار مفیدی برای تجزیه و تحلیل سریهای زمانی می باشد ، لذا تلفیق این دو موجب بهبود دقت پیش بینی و كاهش زمان محاسبه خواهد شد. این مدل تلفیقی WNN برای پیش بینی خشكسالی های حوزه رودخانه ها در محل سدها استفاده می شود و نتایج نشان داده است كه تركیب موجك و شبكه عصبی توانایی پیش بینی شبكه عصبی را به میزان قابل توجهی افزایش می دهد و باعث افزایش سرعت پیش بینی بدون كاهش در دقت عملیات می شود.

Drought is a destructive climatic extreme event that may cause significant damage both in nature and human lives. Drought forecasting plays an important role in control and management of water resources systems. In this study , a conjunction model of artifitial neraul network and wavelet transform is presented to forecast drought. Neural network is a suitable and strong tool for forecast nonlinear and nonstationary time series and wavelet transform is a usful tool for analysis of time series. Combination of bothin improve prediction accuracy and calculation time . This combined model (WNN) used for drought forecasting in rivers in dam places and results indicate that conjunction of wavelet and neural network significantly increse ability of neural network to forecast without reduction of process accuracy .