بررسی کارایی مدل هیبریدی wavelet-m5 در پیش بینی فرآیند بارش-رواناب (مطالعه موردی: حوضه آجی‌چای)

فرآیند بارش - رواناب از مهم‌ترین و پیچیده ترین پدیده ها در چرخه هیدرولوژی بوده لذا در مدل سازی آن، دیدگاه های متفاوتی برای توسعه و بهبود مدل های پیش بینی کننده ارائه گردیده است. بدیهی است درک صحیحی از رفتار حوضه می تواند نقش موثری در انتخاب مدل و همچنین صرفه‌جویی در زمان مربوط به امر شبیه‌سازی ایفا نماید. مطالعات پیشین نشان داده است که جهت مدل سازی حوضه های آرام که معمولا دارای الگوی منظم بارش هستند، مدل های چندخطی عملکرد قابل قبولی دارند. در این مطالعه ضمن معرفی مدل ترکیبی چندخطی موجک-درخت تصمیم، کارایی آن جهت مدل سازی فرآیند بارش-رواناب حوضه آبریز آجی چای مورد مطالعه قرار گرفت. در ابتدا سری های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس زیرسری های حاصله به عنوان ورودی به مدل m5 درختی اعمال شد تا پس از طبقه بندی داده ها، رگرسیون مربوط به هر خوشه ارائه شود. در ادامه نتایج با سایر مدل ها (مدل های ann، m5 و wann) مقایسه گردید که برای این منظور از دو معیار ریشه میانگین مربعات خطا و ضریب تبیین جهت ارزیابی نتایج استفاده شد. نتایج نشان داد که برای حوضه نسبتا آرام آجی چای عملکرد مدل ترکیبی پیشنهادی موجک-درخت تصمیم نسبت به مدل خام m5 درختی تا 69 درصد بهبود می‌یابد.

Hybrid Wavelet-M5 Modeling in Rainfall-Runoff Process Forecast

Rainfallrunoff process is one of the most important and complex phenomena in the hydrological cycle, therefore different views have been presented for the development of the modeling. Obviously, the recognition of the behavior of the catchment can play an important role in selecting of the appropriate model for saving time on the simulation. Previous studies have shown that the multilinear models have an acceptable performance in the case of watersheds which usually have a regular rainfall pattern. In this study, the multilinear WaveletM5 model was introduced and the rainfallrunoff process of the Aji Chay catchment was investigated. At first, the main rainfall and runoff time series were decomposed to several subtime series by the wavelet transform to overcome its nonstationary, then the obtained subtime series were imposed as input data to M5 model tree to forecast the runoff values and also the results were compared to the other models by the root mean squared error and determination coefficient criteria. The results showed that the performance of the proposed hybrid WaveletM5 model increased up to 69% compared to the sole M5 model tree for the Aji Chay catchment.