استفاده تركيبي از تبديل موجك و مدل هاي هوشمند در شبيه سازي جريان رودخانه (مطالعه موردي: رودخانه هاي كاكارضا و سراب صيدعلي)

Hybrid Usage of the Wavelet ransform and Intelligent to Simulation River Flow (Case Study: KaKa Reza and Sarab seyed Ali rivers

بي شك اولين قدم براي مديريت منابع آب پيش بيني و برآورد جريان رودخانه ها است. در اين مطالعه به منظور پيش بيني سري زماني جريان روزانه و ماهانه ايستگاه هاي كاكارضا و سراب صيدعلي، مدل هاي شبكه عصبي مصنوعي و سيستم استتتاج فازي عصبي تطبيقي استفاده شده است. به منظور بهبود نتايج شبيه سازي از آناليز موجك به عنوان مدل تركيبي استفاده شد. براي اين هدف، سري زماني جريان و بارش به مدت 12 سال (1392-1380) به وسيله تبديل موجك به زير سري هاي فركانسي تجزيه شد، سپس اين زيرسري ها به عنوان داده هاي ورودي به مدل هاي شبكه عصبي مصنوعي و سيستم استتتاج فازي عصبي تطبيقي وارد شد. نتايج بدست آمده حاكي از آن بود كه سيستم استتتاج فازي عصبي تطبيقي با ميزان خطاي كمتر و ضريب همبستگي بيشتر نسبت به روش شبكه عصبي مصنوعي از دقت بالاتري برخوردار است و اعمال تبديل موجك روي داده هاي اصلي جريان و بارش باعث بهبود چشمگير نتايج پيش بيني شد.

Undoubtedly, the first step for managing water resources is predicting river flow accurately. In This study, to predict daily and monthly time series of Kakareza and Sarab seyed ali stations, artificial neural network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) models was used. In order to improve the simulation results, wavelet analysis was used as a hybrid model. For this purpose, the daily and Monthly time series of rainfall and runoff for 12 years (2001-2013) were decomposed into sub-signals in various resolution levels using wavelet analysis and then these sub-signals entered to the ANN and ANFIS models as input. The results showed that ANFIS model has a higher accuracy with less error rate and more correlation coefficient than ANN model and Wavelet Transform Improves simulation results.