پیش بینی جریان روزانه با استفاده از شبکه های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیش­بینی دقیق جریان در رودخانه­ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی­ها است. به دلیل اهمیت پیش­بینی جریان رودخانه، در این تحقیق جریان روزانه رودخانه­ی باراندوزچای در دو ایستگاه بی­بکران و دیزج طی یک دوره­ی آماری ۲۰ ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) می­باشد، پیش­بینی گردید. سپس نتایج حاصله از مدل WNN با مدل ANN مقایسه گردید. داده­های مربوط به سال­های ۱۳۸۴-۱۳۶۹ به منظور آموزش شبکه­ها و داده­های سال­های ۱۳۸۸-۱۳۸۵ نیز جهت صحت­سنجی شبکه­ها استفاده گردیدند. عملکرد این دو مدل توسط شاخص­های آماری ضریب همبستگی (r)، ریشه مربع میانگین خطا (RMSE) و میانگین قدر مطلق خطا (MAE) ارزیابی گردید. نتایج این پژوهش نشان داد که مدل WNN با ضرایب همبستگی ۹۷۲/۰ و ۹۷۶/۰ که به ترتیب مربوط به ایستگاه­های بی­بکران و دیزج می­باشند، توانایی بیشتری در پیش­بینی جریان روزانه رودخانه نسبت به مدل ANN دارد. بنابراین، نتایج حاکی از کارایی مناسب و دقت بالای مدل عصبی- موجکی در مقایسه با شبکه عصبی مصنوعی در پیش­بینی جریان رودخانه است. i-font_iy
`[Wew Roman";mso-fareast-font-family:Calibri; mso-hansi-font-family:"Times New Roman";mso-ansi-language:EN-US;mso-fareast-language: EN-US;mso-bidi-language:FA'>  به میزان ۰۷۴/۰ واحد ( ۸۷/۱۶۰ درصد) نسبت به شاهد شد. بطور کلی نتایج دلالت بر این دارد که جهت اصلاح خاک­های شور-سدیمی، بهتر است ابتدا ازPAM استفاده شود، چون از نظر بهبود هدایت هیدرولیکی و تسریع آبشویی تاثیر مهم می­گذارد، بهره گیری از پومیس یا کمپوست در اولویت بعدی قرار می­گیرد.

پیش بینی جریان روزانه با استفاده از شبکه های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای) Keywords:

جریان روزانه , رودخانه باراندوزچای , شبکه عصبی مصنوعی , مدل عصبی- موجکی