پيش‌بيني جريان روزانه رودخانه با استفاده از مدل هيبريد موجك و شبكه عصبي؛ مطالعه موردي ايستگاه هيدرومتري ونيار در حوضه آبريز آجي چاي

Predicrion Daily Flow of Vanyar Station Using ANN and Wavelet Hybrid Procedure

با توجه به اهميت پيش‌بيني جريان رودخانه در مديريت منابع‌ آب روش‌هاي مختلفي براي مدل كردن جريان رودخانه‌ها بكار برده مي‌شوند. تا بتوان با بكارگيري اين مدل در مديريت خشكسالي و سيلاب خسارات ناشي از آن‌ها را به حداقل ممكن رساند. در اين مطالعه نيز براي پيش‌بيني سري‌ زماني جريان روزانه ايستگاه ونيار، با توجه به ويژگي‌هاي غيرخطي مقياس‌هاي زماني چندگانه، مدل هيبريد شبكه عصبي و موجك پيشنهاد شده است. براي اين هدف سري زماني اصلي به مدت 35 سال بوسيله تبديل موجكي به 11 زيرسري زماني چند فركانسي تجزيه شده، و سپس براي پيش‌بيني جريان يك و دو و سه و چهار روز آينده، اين سري‌ها بعنوان داده‌هاي ورودي به مدل شبكه عصبي مصنوعي وارد شد. نتايج بدست آمده از تبديل موجك-شبكه عصبي با نتايج حاصل از كاربرد شبكه عصبي، مقايسه شده و ملاحظه گرديد كه روش موجك-شبكه عصبي نسبت به روش شبكه عصبي دقت پيش بيني بالاتري دارد و همچنين دقت پيش بيني در هر دو مدل با افزايش تعداد تاخيرها در نرون خروجي كاهش مي يابد. لازم بذكر است كه در پيش بيني توسط شبكه عصبي- موجكي از دو موجك هار و مير استفاده شد كه نتايج شبيه سازي توسط موجك مير به مراتب بالاتر از موجك هار بود.

According to the importance of river flow forecasting in water resources management, various methods are considered to model the flow in rivers. For the propose of minimizing the flood or drought hazard from the view point of management. Having nonlinear features and multiple time scales, the time series of daily flow were considered to be analised using artificial neural network (ANN) and wavelet hybrid procedures. For this purpose the original time series for 35 years was decomposed to 11 multi-frequency subseries by wavelet transform and then in order to predict the flow of future 1, 2, 3, and 4 days, this sub series was entered as input data to ANN model. The results of the Application modeling of wavelet- ANN with the results of modeling of ANN is compared, and it was observed that method of wavelet-neural networks has a higher forecast accuracy than method of ANN and also forecast accuracy in both models with increasing number of delays in the output neurons is reduced, and it was observed that in predicte by wavelet-neural networks were used from Haar wavelet and Meyer wavelet that results the simulation of Meyer wavelet were more accurate than Haar wavelet.