پیش بینی رواناب دشت اردبیل با رویکردهای پیش‌پردازش زمانی موجکی

مدل سازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی‌های علم هیدرولوژی است. هدف از این پژوهش استفاده از روش‌های پیش ‌پردازش زمانی از جمله رفع نویز موجکی و تبدیل موجک برای پیش ‌بینی سری‌های زمانی ماهانه رواناب در دشت اردبیل می‌باشد. شبیه ‌سازی بارش – رواناب با استفاده از مدل جعبه سیاه شبکه عصبی مصنوعی برای سه ترکیب داده‌های بارش و رواناب دشت اردبیل انجام گردید. ترکیب اول و دوم داده‌ها از داده‌های خود ایستگاه در زمان‌های گذشته استفاده می‌کند و ترکیب سوم داده‌ها از داده‌های ایستگاه‌های بالادست (ایستگاه‌های گیلانده و کوزه تپراقی) برای پیش ‌بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده می‌کند. نتایج نشان داد که اعمال روش‌های پیش ‌پردازش زمانی رفع نویز موجکی و استفاده از تبدیل موجک در شبیه‌ سازی بارش-رواناب با مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باعث بهبود 4 و 39 درصدی در مرحله آزمایش مدل شده است.

Predicting runoff with preprocessing approaches in Ardabil plain

Streamflow forecasting is required in many activities associated with the planning and operation of water reservoir systems. In hydrology, short and longterm streamflow forecasting are essential to optimize hydrological systems, which can lead to the expansion or reduction of future projects. In this research, using waveletbased denoising data and wavelet transform, a temporal preprocessing approach was applied to the monthly runoff time series in Samian station at the outlet of Ardabil plain. In the second stage, the rainfallrunoff modeling was performed by Artificial Neuron Network (ANN) for three different combinations of data. The first and second combinations of input were used from Samian station data but the third combination was used from the upstream runoff data of Samian station (Gilandeh and Kozatopraghi stations). The results showed that the serves of both waveletbased denoising data and wavelet transform (WT) techniques could improve the performance of the ANN rainfallrunoff modeling of the Samian station up to 4% and 18.5% in the verification phase. The third combination of data demonstrated better accuracy in comparison to the other data set.