بررسی تاثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش‌بینی رسوبات سیلابی

معمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی به‌خوبی برای پیش بینی سری‌های زمانی غیرخطی توسعه یافته‌اند، اما ماهیت غیرخطی داده‌های رسوب و تاثیر گسترده‌ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش بینی این داده‌ها همواره با چالش‌هایی مواجه باشند. تئوری موجک ازجمله روش‌های پیش‌پردازشی است که می تواند با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به‌وضوح بهتر روابط درونی داده‌های غیرخطی گردد. در تحقیق حاضر مقادیر داده‌های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال‌های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش بینی صورت پذیرفت. همچنین به‌منظور بررسی تاثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن‌ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 0.89 و 0.68 و شبکه عصبی موجکی با همبستگی 0.9 و 0.8 قادر به شبیه‌سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه‌های عصبی مصنوعی 0.104 و 0.35 و در شبکه‌های ترکیبی 0.124 و 0.18 به دست آمد. با توجه به نتایج داده‌ها، تاثیر موجک در شناسایی سیگنال‌های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه‌های عصبی منفرد در پیش‌بینی میزان رسوبات قابل‌حمل در سیلاب به‌وضوح قابل‌توجه است.

investigating the impact of wavelet network on the efficiency of artificial neural network in predicting flood sediments

asignificant amount of the damages caused by floods is usually due to suspended sediments in the flood and dredging costs due to their subsidence in natural, residential and industrial areas. therefore, sediment monitoring is very important when the water discharges. on the other hand, the non-linear nature of sediment data have made it difficult to predict this parameter. wavelet theory is one of the pre-processing methods that can help we lead to a better resolution of the internal relationships of non-linear data by breaking down the main time series into sub-signals. i this research, the sediment data values in two stations of abnama and minab from hormozgan river watershed were broken through wavelet conversion into sub-signals, and then the prediction process was carried out by the artificial neural network. moreover, in order to investigate the impact of wavelet transform on the performance of the neural network model, the results obtained from this combined model were compared with the results obtained from the single neural network model, and their efficiency was evaluated using multi-part validation method, correlation, and root-mean-square error. the results showed that the artificial neural network in the two studied stations is able to simulate the sediment discharge with a correlation of 0.89 and 0.68 as well as the wavelet neural network with a correlation of 0.9 and 0.8. moreover, the normalized root-mean-square error statistics were 0.104 and 0.35 in artificial neural networks and 0.124 and 0.18 in combined networks, respectively. the results showed that the impact of the wavelet on identifying sub-signals and thus improving the performance of the model compared to individual neural networks on predicting the amount of sediments in floods is clearly significant.