پيش‌بيني پتانسيل تبخير با حذف نويز داده‌ها در ايستگاه سينوپتيك تبريز

Prediction of Evaporation Potential through Data De-noising in Tabriz Synoptic Station

تبخير پتانسيل از جمله مولفه‌هاي چرخه آب در طبيعت است كه پيش‌بيني آن يك كار پيچيده و غيرخطي است. بنابراين، براي تخمين آن بايستي از مدل‌هاي پيشرفته رياضي استفاده نمود. مطالعه حاضر، با هدف ارائه مدل پيش‌بيني سري زماني پتانسيل تبخير روزانه ايستگاه تبريز با استفاده از دو رويكرد شبكه عصبي و شبكه عصبي موجكي همراه با نويززدايي داده‌ها انجام گرفت. سري زماني روزانه مقدار تبخير تشتك تبخيرسنج ايستگاه تبريز مشتمل بر 4309 داده روزانه، به‌عنوان داده‌هاي خام اين دو مدل در نظر گرفته شدند. مدل پيش‌بيني شبكه عصبي بر پايه سه سري زماني با تاخيرهاي زماني 4، 7 و 10 روز از سيگنال اصلي نرمال‌شده انجام گرفت. در روش دوم، سيگنال سري زماني اصلي با استفاده از موجك مادر مير به 12 سطح تجزيه و بيشترين فركانس آن به‌عنوان نويز از سيگنال اصلي حذف شد. در ادامه، مدل شبكه عصبي موجكي بر پايه 36 سري زماني با تاخيرهاي زماني 4، 7 و 10 روز اجرا شد. با ارزيابي نتايج هر يك از اين مدل‌ها توسط معيارهاي آماري و گرافيكي، ساختار 3101 با مقدار ضريب همبستگي 0.80 و جذر ميانگين مربعات خطاي 0.125 ميلي‌متر در روز و ساختار 3681 با ضريب همبستگي 0.917 و جذر ميانگين مربعات خطاي 0.0858 ميليي‌متر در روز تحت عنوان مناسب‌ترين ساختارها به‌ترتيب براي مدل شبكه عصبي و شبكه عصبي موجكي شناسايي شدند.

Potential evaporation is a component of the water cycle in nature and its prediction is a complicated and nonlinear practice. In this regard, the purpose of the present study was to provide the time-series prediction model of daily evaporation potential of Tabriz station using the two approaches of neural network and neural network- wavelet through de-noising. Daily time-series data of pan evaporation in Tabriz station consisted of 4309 days for the period of 1992-2011 were considered as the data base for running the above-mentioned models. Neural network prediction model was routed based on the three time series with 4, 7 and 10 days lag time of the normalized original signal. In the second approach, the main time series signal using Meyer wavelet was decomposed to 12 levels and the highest-frequency signal was removed as noise from the time series. Then, Neural network-wavelet model was implemented based on 36 time series with 4, 7 and 10 days delays. The evaluation of the results of these models by statistical and graphical criteria, indicated following results: A structure of 3-10-1 with correlation coefficient of 0.80 and mean square error of 0.125, and another structure of 36-8-1 with the correlation coefficient 0.917 and mean square error of 0.0858 were known as suitable structures in neural network and neural network-wavelet approaches, respectively.