پیش‌بینی جریان رودخانه کشکان با استفاده از ترکیب روش‌های شبکه عصبی مصنوعی، آنالیز موجک و K-نزدیک‌ترین همسایه

پیش‌بینی دقیق هیدرولوژی و منابع آب می‌تواند اطلاعاتی مفیدی برای برنامه‌ریزی شهری، آمایش زمین، طراحی پروژه‌های شهری و مدیریت منابع آب ارائه دهد. در این مطالعه با در نظر گرفتن اهمیت قابل ‌توجهی که رودخانه کشکان در تامین بخش مهمی از آب رودخانه کرخه و مشروب ساختن زمین‌های کشاورزی استان لرستان دارد مدل پیش‌بینی سری زمانی جریان این رودخانه با استفاده از روش‌های k نزدیک‌ترین همسایه (knn)، شبکه عصبی مصنوعی (ann) و ترکیب آنالیز موجک (wt) اجرا شد. در این خصوص ابتدا با استفاده از نمایه هرست، حافظه سری زمانی رودخانه یاد شده به مقدار 6/0 به دست آمد که نشان از حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی آن داشت. در ادامه با در نظر گرفتن اینکه سری زمانی جریان رودخانه تابعی از سری‎های زمانی با تاخیر 1-3-5-7-10 و 15 روز است. فرآیند مدل‌سازی سیگنال رواناب با استفاده از دو روش k-nn و ann انجام گرفت. در گامی دیگر سری زمانی سیگنال رواناب با استفاده از موجک مادر میر، به 4 زیر سیگنال تجزیه شد که با اتخاذ این زیرسیگنال‌ها به‌جای سیگنال اصلی، مدل‌های ترکیبی k-nn-wt و a-nn-wt جهت شبیه‌سازی رواناب اجرا شدند. نتایج حاصل از سنجه‌های کارایی عملکرد مدل نشان دادند که مدل k-nn با خطای 4/6 درصد و ضریب همبستگی 0/9 از عملکرد مناسب‌تری نسبت به شبکه عصبی که متحمل خطاهای نامتقارنی شده بود برخوردار است. از سوی با ترکیب آنالیز موجک عملکرد هر دو مدل بهبود پیدا کرد که در این خصوص مدل a-nn-wt با خطای 1/2 درصد و ضریب همبستگی 0/989 شبیه‌سازی دقیق‌تری را نسبت به سه مدل دیگر انجام داد.