پیش بینی سطح آب زیرزمینی با استفاده از مدل هیبرید عصبی- موجکی (مطالعه موردی: دشت ارومیه)

امروزه مدیریت در برداشت و مصارف آب به توان و پتانسیل آبدهی و کیفیت منابع آب وابسته است. از این رو بررسی و پیش‌بینی تغییرات تراز آب زیرزمینی در طول یک دشت بایستی مورد توجه قرار گیرد. جهت تحقق این امر، ‌مدل‌های متعددی در زمینه مدیریت و پیش‌بینی تراز آب استفاده می شود. یکی از روش‏هایی که در سال‏های اخیر در زمینه هیدرولوژی مورد توجه قرار گرفته، استفاده از موجک (wavelet) به عنوان روشی نوین و بسیار موثر در زمینه آنالیز سیگنال‌ها و سری‌های زمانی است. در پژوهش حاضر به بررسی کاربرد استفاده از مدل هیبرید عصبی- موجکی برای پیش بینی سطح آب زیرزمینی دشت ارومیه اقدام گردید. برای این منظور از توابع مختلف موجک در سطوح متفاوت تجزیه، به زیر سری هایی تبدیل شد. نتایج نشان دهنده کارایی بهتر و خطای کمتر مدل عصبی- موجکی بود.

groundwater level prediction using the wavelet hybrid model (case study: urmia plain)

recently, water harvesting and consumption management is dependent on the discharge potential and quality of water resources. herefore, consideration and prediction of changes in watertable during a plain should be considered. to achieve this, several models are used in the management and prediction of water balance. one of the methods that have been considered in recent years in the field of hydrology is the use of wavelets as a new and very effective method of analyzing signals and time series. in the present study, the application of neural-wavelet hybrid model to predict watertable of urmia plain was investigated. for this purpose, different wavelet functions at different levels of decomposition were transformed into sub-series. the results showed better performance and lower error of the neural-wavelet model.