ارزیابی تجزیه سری زمانی مبتنی بر تابع موجک در شبیه‌سازی دبی جریان رودخانه

زمینه و هدف: استفاده از مقادیر تجزیه و تحلیل شده توسط تابع موجک می تواند دقت شبیه سازی ها را افزایش دهد. با توجه به تغییرات اقلیمی و افزایش مقادیر حدی در سال های اخیر، در این مطالعه سعی گردید تاثیر پردازش سیگنال تحت عنوان تبدیل موجک در بهبود عملکرد مدل جنگل تصادفی در شبیه سازی جریان ماهانه در زیرحوضه های سیمینه رود و مهابادچای در جنوب دریاچه ارومیه در دوره آماری 2019-1971 مورد بحث و بررسی قرار گیرد.روش پژوهش: در این مطالعه، دقت مدل جنگل تصادفی در دو مرحله آموزش و آزمون مورد بررسی قرار گرفت. در ابتدا مدل جنگل تصادفی در دو فاز آموزش و آزمایش در شبیه سازی بارش-رواناب در جنوب حوضه دریاچه ارومیه مورد ارزیابی قرار گرفت. در خصوص ارزیابی عملکرد و میزان خطای مدل های مورد مطالعه به ترتیب از آماره های نش-ساتکلیف و جذر میانگین مربعات خطا استفاده شد. در گام بعدی بعد از بررسی عملکرد مدل جنگل تصادفی، اقدام به تجزیه سری های زمانی بارش و دبی جریان در حوضه های مورد مطالعه با استفاده از تابع موجک شد. در این خصوص از دو سطح تجزیه (سطح 1 و 2) و دو تابع موجک haar و daubechies استفاده شد. در نهایت با استفاده از مدل جنگل تصادفی به شبیه سازی بارش-رواناب مبتنی بر تئوری موجک تحت عنوان مدل w-rf پرداخته شد.یافته ها و تشریح: درابتدا مدل جنگل تصادفی در دو فاز آموزش و آزمون مورد بررسی قرار گرفته نتایج شبیه سازی مقادیر دبی جریان نشان داد که مقادیر شبیه سازی شده در محدوده اطمینان 95 درصد واقع شده که میزان خطای شبیه سازی مقادیر دبی جریان با استفاده از آماره rmse به ترتیب برابر با 3.22 و 8.91 مترمکعب بر ثانیه در فاز آزمایش برای زیرحوضه مهابادچای و سیمینه رود است. جهت بررسی تاثیر تجزیه سری زمانی بر عملکرد مدل rf، از تئوری موجک و تابع موجک های haar و دابچیز4 در دو سطح تجزیه 1 و 2 استفاده شد. با برآورد دقت و عملکرد مدل تلفیقی w-rf در 4 الگوی ورودی، بهترین الگو بر اساس معیارهای ارزیابی مدل rmse و nse انتخاب گردید. نتایج بررسی ها نشان داد که برای تابع موجک haar، تجزیه سطح 1 عملکرد و میزان خطای بهتری نسبت به نوع سطح 2 در هر دو زیرحوضه دارد. در این مطالعه موجک دابچیز در سطح 1 در فاز آزمایش بهترین عملکرد و کمترین میزان خطا را در شبیه سازی مقادیر دبی جریان در زیرحوضه های مورد مطالعه ارائه کرده و توانسته است میزان خطا را در دو زیرحوضه مهابادچای و سیمینه رود به ترتیب حدود 89 و 80 درصد نسبت به مدل جنگل تصادفی کاهش دهد.نتایج: در نهایت با مقایسه دو مدل rf و w-rf در شبیه سازی مقادیر دبی جریان در دو زیرحوضه مورد مطالعه، نتایج نشان داد که مدل تلفیقی w-rf به دلیل تجزیه سری زمانی مورد مطالعه توانسته است میزان خطا را در دو زیرحوضه مهابادچای و سیمینه رود به ترتیب حدود 89 و 80 درصد کاهش دهد. با توجه به افزایش پیچیدگی شبیه سازی با دخالت تئوری موجک، میزان بهبودی خطا و عملکرد مدل قابل قبول می باشد. مدل تلفیقی w-rf در این مطالعه نتایج قابل اعتمادی را برای شبیه‌سازی داده‌های دبی جریان ارائه میدهد تا بتوان از تصمیم‌گیری و تحلیل ریسک در عملیات بهره برداری از مخزن های پایین دست و مدیریت منابع آب زیرحوضه ها پشتیبانی کند. نتایج به دست آمده به‌خوبی می تواند در طراحی سامانه های منابع آب به کار گرفته شود.

evaluation of time series analysis based on wavelet function on river flow simulation

introduction: using the values analyzed by the wavelet function can increase the accuracy of the simulations. considering the climatic changes and the increase of extreme values in recent years, in this study, we made an effort that the effect of signal processing under the name of wavelet transformation in improving the performance of random forest model in simulating monthly river flow in siminehrood and mahabadchai sub-basins in the south of lake urmia has been discussed and investigated in the period of 1971-2019. materials and methods: in this study, the accuracy of the random forest model has been investigated in two steps of training and testing. at first, the random forest model was evaluated in two phases of training and testing in rainfall-runoff simulation in the south of lake urmia basin. nash-sutcliffe statistics and root mean square error were used to evaluate the performance and error rate of the studied models, respectively. in the next step, after investigating the performance of the random forest model, the time series of rainfall and river flow in the studied basins were analyzed using the wavelet function. in this regard, two analysis levels (level 1 and 2) and two haar and daubechies wavelet functions were used. finally, using the random forest model, rainfall-runoff simulation based on the wavelet theory was done under the name of w-rf model. results and dissection: at first, the random forest model was investigated in two phases of training and testing, and the simulation results of the river flow values showed that the simulated values were within the 95% confidence interval, and the error rate of the river flow simulation using the rmse statistic is 3.22 and 8.91 cubic meters per second in the test phase for mahabadchai and siminehrood sub-basins, respectively. in order to investigate the effect of time series analysis on the performance of the rf model, wavelet theory and haar and daubechies 4 wavelet functions were used in decomposition levels 1 and 2. by estimating the accuracy and performance of the hybrid w-rf model in 4 input patterns, the best pattern was selected based on the rmse and nse model evaluation criteria. the research results showed that for the haar wavelet function in level 1 decomposition has better performance and error rate than level 2 type in both sub-basins. in this study, the daubechies wavelet at level 1 in the test phase has provided the best performance and the lowest error rate in the simulation of the river flow values in the studied sub-basins and has been able to reduce the error rate in the two sub-basins of mahabadchai and siminehrood respectively by about 89 and 80 percent compared to the random forest model. conclusion: finally, by comparing the rf and w-rf models, the simulation results of river flow in the two studied sub-basins showed that the integrated w-rf model was able to reduce the error rate in the two sub-basins of mahabadchai and siminehrood to reduce by 89 and 80% respectively. considering the increase in simulation complexity with the involvement of wavelet theory, the error recovery rate and model performance are acceptable. the integrated w-rf model in this study provides reliable results for the simulation of river flow data in order to support decision-making and risk analysis in the exploitation of downstream reservoirs and the management of water resources in sub-basins. the obtained results can be used in the design of water resources systems.