پيش بيني تراز آب درياچه اروميه با استفاده از روش هاي سري زماني، شبكه عصبي مصنوعي و شبكه عصبي- موجكي

Forecasting of water level in Urmia Lake using Time series, Artificial Neural Network and Neural Network-Wavelet.

درياچه اروميه دومين درياچه شور جهان است و با توجه به معيارهاي اجتماعي- اقتصادي و زيست محيطي نقش مهمي در منطقه شمال غرب ايران دارد كه در سالهاي اخير با مشكلاتي مواجه شده است و به دليل خشكسالي، استفاده بيش از حد آب هاي سطحي و ساخت سدها تراز سطح آب آن كاهش يافته است. يكي از فاكتورهاي مهم كه در مديريت صحيح در هر زمينه اي، تاثير دارد، داشتن يك ديد و نگرش مناسب از اتفاقات آينده در آن زمينه است به همين دليل شبيه سازي و سپس پيش بيني متغيرهاي هيدرولوژيكي از اهميت ويژه اي برخوردار است. بنابراين در پژوهش حاضر به مقايسه سه روش پيش بيني سري زماني آريما، شبكه عصبي مصنوعي و شبكه عصبي- موجكي جهت ارايه بهترين روش پيش بيني تراز سطح آب درياچه اروميه در مقياس ماهانه پرداخته شده است. نتايج حاصل با توجه به معيار ضريب تبيين و جذر ميانگين مربعات خطا مقايسه شد كه نشان دهنده عملكرد بهتر شبكه عصبي- موجكي در مقايسه با دو روش سري زماني آريما و شبكه عصبي مصنوعي، به دليل لحاظ نمودن تغييرات ماهانه، فصلي و سالانه در قالب تجزيه سري هاي زماني مي باشد.

Urmia Lake in Iran is the second largest saline lake in the world. Due to various socio-economical and ecological criteria, Urmia Lake has important role in the Northwestern part of the country but it has faced many problems in recent years. Because of droughts, overuse of surface water resources and dam constructions water level is reduced. One of the important factors that has influence in correct management, is having a suitable point of view for future events in that field. So simulation and forecasting of hydrological variables has many importance. In this research, time series, Artificial Neural Network and Neural Network-Wavelet methods for presentation the best method in monthly scale for simulation and forecasting Urmia Lake water level is compared. Comparing these three methods indicates that forecasting with Neural Network-Wavelet due to considering monthly, seasonal and annual changes in the time series analysis, has the best Performance.