ارزیابی کارایی انواع تبدیل موجک در مدل سازی ترکیبی موجک - شبکه عصبی مصنوعی برای پیش ‌بینی جریان ماهانه رودخانه (مطالعه موردی: رودخانه کارده)

رواناب پدیده‎ای مهم در چرخه هیدرولوژیکی است، از این رو پیش‌ بینی میزان رواناب رودخانه برای اهدافی نظیر برنامه‌ریزی فعالیت‌های کشاورزی، پیش‌بینی سیلاب و تامین آب مصرفی حائز اهمیت است. پیچیده بودن مدل‏های فیزیکی یکی از دلایلی است که باعث شده پژوهشگران به مدل‏های داده‌ مبناء و مبتنی بر هوش مصنوعی روی آورند. وجود تغییرات آماری در داده‌ها سبب می‌شود که مدل‌سازی جریان رودخانه با مدل‌های داده‌مبناء با مشکلاتی در فرآیند یادگیری مدل همراه باشد. لذا لازم است با مدل‌سازی تلفیقی، دقت پیش‌بینی جریان ارتقاء یابد. هدف تحقیق حاضر، ارزیابی کارایی انواع موجک‌های گسسته و پیوسته در مدل ترکیبی موجک-شبکه عصبی (wann) برای پیش‌بینی جریان ماهانه رودخانه کارده در ایستگاه ورودی به سد کارده است. بدین منظور، دو موجک گسسته haar و fejer-korovkin2 و دو موجک پیوسته symlet3 و daubechies2 در ترکیب با مدل ann مورد ارزیابی قرار گرفت. بررسی داده‌های هواشناسی و هیدرومتری در یک دوره 30 ساله (1370-1399) نشان داد که جریان ماهانه در دو گام زمانی t-1 و t-2 بهترین متغیرهای پیش‌بینی‌کننده (در سطح اطمینان 95%) بودند. آنالیزهای ترکیبی در سه سطح تجزیه انجام و کارایی مدل‌ها با روش صحت‌سنجی متقاطع در4 سطح مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل‌های ترکیبی دارای دقت بالاتری نسبت به مدل ann بودند و مدل ترکیبی پیشنهادی symlet3-ann در سطح 3، نتایج بهتری نسبت به سایر مدل‎ها ارائه داد، بطوری‌که شاخص‌های r، rmse و nse در بخش واسنجی به‌ترتیب 0.90، 0.25 و 0.81 و در بخش صحت‌سنجی به‌ترتیب 0.85، 0.30 و 0.62 بود. همچنین ملاحظه شد دقت نتایج در سطح دو و سه تفاوت معناداری ندارند و بهتر است جهت کاهش مولفه‏های ورودی به مدل ann و کاهش زمان اجرای مدل، تجزیه در سطح دو انجام شود.

assessment of the performance of various wavelet transforms in combined wavelet-neural network modeling for monthly river flow prediction (case study: kardeh watershed)

predicting river flow is one of the most crucial aspects in water resources management. improving forecasting methods can lead to a reduction in damages caused by hydrological phenomena. studies indicate that artificial neural network models provide better predictions for river flow compared to physical and conceptual models. however, since these models may not offer reliable performance in estimating unstable data, using preprocessing techniques is necessary to enhance the accuracy and performance of artificial neural networks in estimating hydrological time series with nonlinear relationships. one of these methods is wavelet transformation, which utilizes signal processing techniques. materials and methodsin this study, to evaluate the efficiency of discrete and continuous wavelet types in the wavelet-artificial neural network (wann) hybrid model for monthly flow prediction, a case study was conducted on the kardeh dam watershed in the northeast of iran, serving as a water source for part of mashhad city and irrigation downstream agricultural lands. monthly streamflow estimates for the upstream sub-basin of the kardeh dam were obtained from the meteorological and hydrometric stations’ monthly statistics over a 30-year period (1991-2020). the wann model is a hybrid time series model where the output of the wavelet transform serves as a data preprocessing method entering an artificial neural network as the predictive model. the combination of wavelet analysis and artificial neural network implies using wavelet capabilities for feature extraction, followed by the neural network to learn patterns and predict data, potentially enhancing the models’ performance by leveraging both methods. the 4-fold cross-validation method was employed for the artificial neural network model validation, where the model underwent validation and accuracy assessment four times, each time using 75% of the data for training and the remaining 25% for model validation. the final results were presented by averaging the validation and accuracy results obtained from each of the four model runs. to evaluate and compare the performance of the models used in this study, three evaluation indices, nash-sutcliffe efficiency (nse), root mean square error (rmse), and pearson correlation coefficient (r), were employed.