علی محمد خورشیددوست - استاد گروه آب و هواشناسی، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز
سعید جهانبخش اصل - استاد گروه آب و هواشناسی، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز
حامد عباسی - ۳- استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه لرستان
سعید فرزین - -استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
حمید میرهاشمی - دانشجوی دکتری آب و هواشناسی، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز

تبخیر پتانسیل از جمله مولفه های چرخه آب در طبیعت است که پیش بینی آن یک کار پیچیده و غیرخطی است. بنابراین، برای تخمین آن بایستی از مدل های پیشرفته ریاضی استفاده نمود. مطالعه حاضر، با هدف ارائه مدل پیش بینی سری زمانی پتانسیل تبخیر روزانه ایستگاه تبریز با استفاده از دو رویکرد شبکه عصبی و شبکه عصبی موجکی همراه با نویززدایی داده ها انجام گرفت. سری زمانی روزانه مقدار تبخیر تشتک تبخیرسنج ایستگاه تبریز مشتمل بر ۴۳۰۹ داده روزانه، به عنوان داده های خام این دو مدل در نظر گرفته شدند. مدل پیش بینی شبکه عصبی بر پایه سه سری زمانی با تاخیرهای زمانی ۴، ۷ و ۱۰ روز از سیگنال اصلی نرمال شده انجام گرفت. در روش دوم، سیگنال سری زمانی اصلی با استفاده از موجک مادر میر به ۱۲ سطح تجزیه و بیشترین فرکانس آن به عنوان نویز از سیگنال اصلی حذف شد. در ادامه، مدل شبکه عصبی موجکی بر پایه ۳۶ سری زمانی با تاخیرهای زمانی ۴، ۷ و ۱۰ روز اجرا شد. با ارزیابی نتایج هر یک از این مدل ها توسط معیارهای آماری و گرافیکی، ساختار ۳-۱۰-۱ با مقدار ضریب همبستگی ۸۰/۰ و جذر میانگین مربعات خطای ۱۲۵/۰ میلی متر در روز و ساختار ۳۶-۸-۱ با ضریب همبستگی ۹۱۷/۰ و جذر میانگین مربعات خطای ۰۸۵۸/۰ میلیی متر در روز تحت عنوان مناسب ترین ساختارها به ترتیب برای مدل شبکه عصبی و شبکه عصبی موجکی شناسایی شدند.

پتانسیل تبخیر, تبدیل موجک, تبریز, شبکه عصبی, نویززدایی