ریزمقیاس کردن مکانی – زمانی سری های زمانی بارش با استفاده از مدل ترکیبی موجک – شبکه عصبی مصنوعی

با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک - شبکه عصبی مصنوعی (WANN) پیشنهاد شده است. برای این هدف داده های سری زمانی ماهانه شش ایستگاه و روزانه چهار ایستگاه بارش حوضه آبریز دریاچه ارومیه، برای ۱۰ سال بوسیله تبدیل موجک به زیرسری های زمانی تجزیه شده و سپس با استفاده از معیارهای اطلاعات متقابل و ضریب همبستگی، زیرسری ها رتبه بندی شده و برای ریزمقیاس کردن سری زمانی ماهانه ایستگاه های تبریز و سهند به روزانه، زیرسری های برتر به عنوان داده های ورودی به مدل شبکه عصبی مصنوعی (ANN) وارد شد. نتایج بدست آمده از مدل WANN، با نتایج حاصل از کاربرد ANN و روش کلاسیک رگرسیون چند متغیره خطی، مقایسه شد. در مجموع نتایج مدل WANN نسبت به مدل های ANN و رگرسیون چند متغیره خطی برای اعتبارسنجی در حالت بهینه ایستگاه تبریز به ترتیب ۸.۵% و ۳۳% و در حالت بهینه ایستگاه سهند، به ترتیب ۱۳.۷% و ۲۶% افزایش نشان داد. لذا ملاحظه گردید که روش WANN نسبت به دو روش دیگر، دقت بالاتری داشته و به عنوان روشی مناسب جهت ریزمقیاس کردن پارامتر های هیدروکلیماتولوژیکی پیشنهاد می گردد.

Keywords:

سری های زمانی بارش , ریزمقیاس کردن , شبکه های عصبی مصنوعی , تبدیل موجک , مدل ترکیبی