پيش بيني جريان روزانه با استفاده از شبكه هاي عصبي مصنوعي و عصبي- موجكي (مطالعه موردي: رودخانه باراندوزچاي)

River flow prediction using Artificial Neural Network and Wavelet Neural Network models (Case study: Barandozchay River)

پيش بيني دقيق جريان در رودخانه ها يكي از مهمترين اركان در مديريت منابع آبهاي سطحي به ويژه جهت اتخاذ تدابير مناسب در مواقع سيلاب و بروز خشكسالي ها است. به دليل اهميت پيش بيني جريان رودخانه، در اين تحقيق جريان روزانه رودخانه ي باراندوزچاي در دو ايستگاه بي بكران و ديزج طي يك دوره ي آماري 20 ساله با استفاده از مدل عصبي- موجكي (WNN) كه تلفيق آناليز موجك و شبكه عصبي مصنوعي (ANN) مي باشد، پيش بيني گرديد. سپس نتايج حاصله از مدل WNN با مدل ANN مقايسه گرديد. داده هاي مربوط به سال هاي 1384-1369 به منظور آموزش شبكه ها و داده هاي سال هاي 1388-1385 نيز جهت صحت سنجي شبكه ها استفاده گرديدند. عملكرد اين دو مدل توسط شاخص هاي آماري ضريب همبستگي (r)، ريشه مربع ميانگين خطا (RMSE) و ميانگين قدر مطلق خطا (MAE) ارزيابي گرديد. نتايج اين پژوهش نشان داد كه مدل WNN با ضرايب همبستگي 972/0 و 976/0 كه به ترتيب مربوط به ايستگاه هاي بي بكران و ديزج مي باشند، توانايي بيشتري در پيش بيني جريان روزانه رودخانه نسبت به مدل ANN دارد. بنابراين، نتايج حاكي از كارايي مناسب و دقت بالاي مدل عصبي- موجكي در مقايسه با شبكه عصبي مصنوعي در پيش بيني جريان رودخانه است.

Accurate forecasting of river flow is one of the most important factors in surface water resources management especially during flood and drought periods. Because of the importance of river flow forecasting, in this study, daily flow of Barandozchay river in two stations (Bibakran and Dizaj) for a period of 20 years using Wavelet Neural Network (WNN) which is a combination of wavelet analysis and Artificial Neural Network (ANN) has been predicted. The results of ANN model have been compared with WNN model. Data of the years 1990-2005 and 2006-2009 were used for training and verification of the networks, respectively. The performance of the two models was evaluated by statistics: r, RMSE and MAE. The results showed that the WNN model with a correlation coefficient of 0.972 and 0.976 (for stations of Dizaj and Bibkran, respectively) was able to forecast daily river flows better than the ANN model. Therefore, the results indicated that the proposed WNN method performed quite well compared to Artificial Neural Network method and could be applicable for river flow forecasting.