بررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه

سیل یکی از بلایای طبیعی مهمی است که همه‌ ساله باعث ایجاد خسارت‌های مالی و جانی فراوانی به جوامع مختلف می‌گردد. به همین دلیل محققین سعی نموده‌اند که تغییرات کمی این پدیده را حتی‌المقدور به‌ طور دقیق مورد بررسی قرار دهند. در این پژوهش برای تخمین دبی روزانه ایستگاه بادآور نورآباد واقع در استان لرستان از مدل شبکه عصبی موجک استفاده شد و نتایج آن با سایر روش‌های هوشمند ازجمله  شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته یک تا چهار روز قبل در مقیاس زمانی روزانه در طی دوره آماری (1391-1381) به‌عنوان ورودی و دبی حداکثر روزانه به‌عنوان پارامتر خروجی مدل‌ها انتخاب گردید. معیارهای ضریب تعیین، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدل‌ها مورداستفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی روزانه دارند، مقایسه نتایج نشان داد مدل شبکه عصبی موجک عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی در مدل‌سازی دارد، به‌گونه‌ای که مدل شبکه عصبی موجک با بالاترین ضریب تعیین (0.920)، جذر میانگین مربعات خطا (0.005) و نیز میانگین قدر مطلق خطا (0.003) در مرحله صحت سنجی در اولویت قرار گرفت. درمجموع نتایج نشان داد استفاده از مدل شبکه عصبی موجک می‌تواند درزمینه تخمین دبی روزانه مفید باشد.

Evaluvating the Performance of Wavelet Neural Network Models in Estimation of Daily Discharge

River flow prediction is one of the most important key issues in the management and planning of water resources, in particular the adoption of proper decisions in the event of floods and the occurrence of droughts. In order to predict the flow rate of rivers, various approaches have been introduced in hydrology, in which intelligent models are the most important ones. The application of artificial neural networks (ANNs) to various aspects of hydrological modeling has undergone much investigation in recent years. This interest has been motivated by the complex nature of hydrological systems and the ability of ANNs to model nonlinear relationships. ANNs are essentially semiparametric regression estimators and well suited for hydrological modeling, as they can approximate virtually any (measurable) function up to an arbitrary degree of accuracy (Hornik et al., 1989). A significant advantage of the ANN approach in system modeling is that one need not have a welldefined process for algorithmically converting an input to an output.