پيش بيني دبي متوسط روزانه جريان رودخانه بهشت آباد با استفاده از آناليز موجك

Forecasting of Mean Daily Runoff Discharge of Behesht-Abad River Using Wavelet Analysis

پيش بيني دبي رودخانه ها يكي از موارد كليدي در برنامه ريزي و مديريت منابع آب مي باشد. در اين مطالعه از دو روش مبتني بر آناليز موجك و شبكه عصبي مصنوعي (ANN) به منظور پيش بيني دبي جريان رودخانه بهشت آباد استفاده شد. بدين منظور، داده هاي دبي متوسط روزانه رودخانه مذكور و اطلاعات بارش روزانه مربوط به 17 ايستگاه هواشناسي در طول دوره آماري 2008-1999 استفاده گرديد. در روش اول موسوم به روش موجك متقاطع (CW)، از موجك مختلط مورلت به عنوان تابع آناليزگر استفاده شد. تجزيه موجك براي هر يك از سري هاي زماني مجموع بارش روزانه و دبي متوسط روزانه جريان بصورت جداگانه انجام گرفت. مدل دبي جريان به ازاي افق هاي پيش بيني 1 روز، 2 روز، 3 روز و 7 روز جلوتر بسط داده شد. در روش دوم موسوم به روش تلفيقي موجك و شبكه عصبي (WNN)، ابتدا با استفاده از موجك گسسته مير، پردازش اوليه بر روي ماتريس ورودي اوليه انجام گرفت. سپس با نرمالسازي درايه هاي ماتريس ورودي اوليه، ماتريس ورودي ثانويه تشكيل گردد. ماتريس ورودي ثانويه و ماتريس هدف به يك شبكه سه لايه پيشخور با الگوريتم پس انتشار (FFBP) اعمال شدند. آموزش شبكه با استفاده از تابع آموزش لونبرگ ماركوارت (LM) انجام گرفت. نهايتاً، پيش بيني جريان به ازاي افق هاي زماني كوتاه مدت انجام شد. نتايج نشان داد پيش بيني هاي مدل WNN در مقايسه با مدل هاي CWو ANN از دقت بالاتري برخوردار مي باشد. در مرحله تست، در مدل CW با كاهش افق پيش بيني از 7 روز به 1 روز مقدار آمارهR2 از 5113/0 به 9388/0 افزايش و مقدار آماره RMSE از 9171/17 به 3226/8 مترمكعب بر ثانيه كاهش مي يابد. در مدل ANN با كاهش افق پيش بيني از 7 روز به 1 روز مقدار آماره R2 از 6705/0 به 9166/0 افزايش و مقدار آماره RMSE از 9828/5 به 5600/2 مترمكعب بر ثانيه كاهش يافت. در حاليكه در مدل WNN با كاهش افق پيش بيني از 7 روز به 1 روز مقدار آماره R2 از 8424/0 به 9927/0 افزايش و مقدار آماره RMSE از 4678/3 به 8145/0 مترمكعب بر ثانيه كاهش يافت.

Forecasting of river discharge is a key aspect of efficient water resources planning and management. In this study, two models based on Wavelet Analysis and Artificial Neural networks (ANNs) were developed for forecasting discharge of Behesht-Abad River. For this purpose, mean daily discharge data of mentioned river as well as precipitation data of 17 meteorological stations were used in the period 1999-2008. In the first method, called Cross Wavelet (CW), complex Morlet wavelet was used as analyzer function. Wavelet analyzing was performed for every daily rainfall and average discharge time series, separately. The model equation derived for 1, 2, 3 and 7 days ahead forecasting horizon. In the second method, called Wavelet Neural Networks conjunction (WNN), a preprocessing was done on the initial input matrix using Meyer wavelet. Then the elements of the initial input matrix were normalized and the second input matrix was created. A three layer Feed Forward Back Propagation (FFBP) was formed based on the second input matrix and target matrix. After training the model using Levenberg–Marquardt (LM) algorithm, the river discharges were predicted for short term time horizons. The results showed that the WNN method had higher accuracy in short-term forecasting of river discharge in comparison with CW and ANN methods. In testing stage, in CW model when forecasting horizon reduced from 7-days to 1day, the R2 value increased from 0.5113 to 0.9388, and RMSE decreased from 17.9171 to 8.3226 m3/s. In ANN model when forecasting horizon reduced from 7-days to 1day, the R2 value increased from 0.6705 to 0.9166, and RMSE decreased from 5.9828 to 2.5600 m3/s. Whereas, in WNN model, when forecasting horizon reduced from 7-days to 1day, the R2 value increased from 0.8424 to 0.9927, and RMSE decreased from 3.4678 to 0.8145 m3/s.