بررسي كارايي روش دسته بندي گروهي داده ها و تبديل موجك در پيش بيني رواناب(مطالعه موردي: حوضه آبريز قره سو)

امروزه بكارگيري مدل هاي داده محور ابزارهاي جديدي براي شبيه سازي و مدلسازي در علوم مختلف مي باشد. فرآيند بارش رواناب از مهم ترين و پيچيده ترين پديده ها در چرخه هيدرولوژي است. در اين مطالعه ضمن معرفي مدل تركيبي موجك دسته بندي گروهي داده ها، كارايي آن جهت مدل سازي فرآيند بارش رواناب حوضه آبريز قره سو مورد مطالعه قرار گرفت. در ابتدا سري هاي زماني بارش و رواناب با استفاده از تبديل موجك به چندين زيرسري تجزيه گشته تا بر ناايستايي آن غلبه گردد. سپس اين زيرسري هاي زماني به عنوان ورودي روش دسته بندي گروهي داده ها براي پيش بيني رواناب روزانه درنظر گرفته شده است. كارايي مدل تركيبي با شاخص هاي ضريب تبيين(DC) و ريشه ميانگين مربعات خطا(RMSE) ارزيابي شدند. نتايج حاصل از مدل ها بيانگر آن است كه بيشترين مقدار ضريب تبيين و مقدار ريشه ميانگين خطا براي مدل منفرد GMDH به ترتيب 65/0 و 07/0 و براي مدل تركيبي به ترتيب 91/0 و 05/0 است. دليل برتري مدل تركيبي نسبت به مدل منفرد ناشي از اين است كه مدل تركيبي دسته بندي گروهي داده هاي موجكي، به جاي استفاده از سري زماني داده هاي بارش و رواناب در يك مقياس كلي، از چندين زيرسري پردازش شده زماني با درجات تجزيه مختلف به عنوان ورودي در مدل استفاده مي نمايد. همچنين نتايج نشان داد كه مدل تركيبي Wavelet GMDHدر مقايسه با ساير مدل هاي تركيبي مانند شبكه عصبي مصنوعي موجكي(WANN) به سبب عملكرد لايه اي مدل GMDH كه دربرگيرنده تركيبات دوتايي از متغيرهاي ورودي است و با انتخاب تعداد نرون هاي بهينه در هر لايه حركت به سمت داده هاي پيش بيني شده را جهت دهي مي نمايد، داراي كارايي و دقت بيشتري است.