پیش ‏بینیِ بارندگی ماهانه با استفادة مستقیم از موجک و شبکة عصبی موجکی

Authors

ابوالفضل مساعدی استاد دانشکدة منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد

احمد فاخری فرد استاد، گروه مهندسی آب دانشگاه تبریز

امیر احمد دهقانی دانشیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان

پریوش طوفانی کارشناس‌ارشد مهندسی منابع آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان

Abstract:

برآورد و پیش‏‏بینی بارش اهمیت ویژه‏ای دارد. به دلیل نبود قطعیت، هیچ ‏یک از مد‏ل‏های آماری و مفهومی نتوانسته‏اند به منزلة یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیراً، به کاربردِ موجک در آنالیز سیگنال‏ها و سری‏های زمانی در هیدرولوژی توجه شده‏ است. در این تحقیق، سیگنال بارندگی با استفاده از موجک مادر منتخب تجزیه شد و داده‏های به‌دست‌آمده با دو روش برازش معادلات مستقیم و هیبرید عصبی- موجکی برای پیش‏بینی استفاده شد. روش مذکور در پیش‏بینی بارندگیِ ماهانة 33 سال ایستگاه زرین‌گل از سال آبی 1354 ـ 1355 تا 1386 ـ 1387 به‌کار گرفته شد و نتایج با یکدیگر مقایسه شد. نتایج نشان داد تجزیة سیگنال با موجک به طور قابل ملاحظه‏ای موجب افزایش همبستگی میان داده‏های مشاهداتی و محاسباتی می‌شو‏د و سیگنالِ بارندگی با دقت بیشتری پیش‏بینی می‌شود؛ به طوری ‏که در روش مستقیم میزان R2برابر با 74/0 و در روش هیبرید عصبی- موجکی در بهترین حالت برای چهار سطح تجزیه برابر 95/0 است. این نتیجه قدرت موجک در ساده‏سازی سیگنال و افزایش دقت پیش‏بینی داده‏های کاملاً تصادفی بارندگی را در منطقة مورد نظر تأیید می‌کند. ضمن آنکه، معنی‏دار نبودن تست Fدر سطح 90 درصد و بالاتر تأیید دیگری بر این مطلب است.

Upgrade to premium to download articles

Already have an account?login

similar resources

پیش بینی بارش ماهانه ایستگاه سینوپتیک کرمانشاه با استفاده از مدل ترکیبی شبکه عصبی و موجک

full text

پیش بینی هفتگی زبالة تولیدی با استفاده از مدل ترکیبی شبکة عصبی و تبدیل موجک

پیش بینی کمیت تولید، نقشی اساسی در بهینه سازی و برنامه ریزی سیستم مدیریت مواد زاید جامد شهری دارد. اما به دلیل طبیعت ناهمگون و تأثیر عوامل متنوع و خارج از کنترل بر تولید، همواره با مشکلات زیادی همراه بوده است. شبکة عصبی مصنوعی اخیراً در بسیاری از کاربردهای مهندسی نظیر مهندسی محیط زیست به عنوان ابزاری قدرتمند در مدلسازی مورد توجه قرار گرفته است. در این تحقیق با توجه به دینامیک و پیچیده بودن سیستم...

full text

پیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیشبینی دقیق جریان در رودخانهها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالیها است. به دلیل اهمیت پیشبینی جریان رودخانه، در این تحقیق جریان روزانه رودخانهی باراندوزچای در دو ایستگاه بیبکران و دیزج طی یک دورهی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) میباشد، پیشبینی گرد...

full text

تأثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مؤلفه های اصلی و موجک

برآورد جریان حوضه آبریز با توجه به کاربرد گسترده آن در علوم مرتبط با صنعت آب، از دیرباز مورد توجه پژوهشگران بوده است. ارائه الگوهای نو و به کارگیری تکنیک های پیشرفته می تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیرخطی شود. در این تحقیق برای پیش بینی جریان ماهانه، از شبکه عصبی پیشخور استفاده گردیده است. به علت تعداد زیاد متغیرهای مورد استفاده در این تحقیق برای پیش بینی جریان، شناخت متغ...

full text

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

مرتع و آبخیزداری

volume 68 issue 3

pages 553- 571

publication date 2015-09-23

unfollow

{@ msg @}

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

Hosted on Doprax cloud platform doprax.com