کاربرد ann-wavelet در پردازش دادههای ماهواره ای برای مدل سازی بارش- رواناب

داشتن مدلی جهت پیش بینی مقادیر برای آینده در تمامی علوم همواره مد نظر بوده است، در رشته مهندسی آب نیز این مهم همواره مورد توجه قرار گرفته است. برای ارائه مدل، در دسترس بودن آمار و اطلاعات عوامل دخیل در مسائل هیدرولوژیکی و منابع آب که مهمترین آن بارندگی است، اهمیت ویژه ای دارد، اما به دلیل عدم دسترسی به اطلاعات هیدرولوژیکی اغلب حوضه ها، از روش های ریاضی برای الگوبندی پدیده طبیعی بارش-رواناب استفاده می شود. در پایان نامه حاضر مدلسازی بارش-رواناب حوضه ای با استفاده از دادههای بارش ماهواره ای و ایستگاههای باران سنجی با به کار گیری تخمینگر شبکه عصبی مصنوعی (ann) انجام شده است. داده های بارش ماهواره ای در دو نوع جداگانه و داده های ایستگاههای باران سنجی در شش مکان متعدد در حوضه موجود است. انجام پیش پردازش بر روی داده های موجود و مقایسه ی بهترین مدلهای حاصل از داده های تک تک ماهواره ها و حالت ترکیبی دو ماهواره و ایستگاههای باران سنجی از اهداف این مطالعه می باشد. برای ارتقا مدل و بررسی آثار فصلی بودن از میانگین متحرک و تبدیل موجک wavelet و برای خوشه بندی ایستگاههای باران سنجی از نقشه های خود سازمانده (som) استفاده شده است. از آنجایی که بررسی پریودهای زمانی بلندمدت و کوتاه مدت و نیز استفاده ی مناسب از آنها در مدلسازی و بلاخص برآورد نقاط پیک آثار به سزایی دارد، مبدل موجک (wavelet)به عنوان یک تبدیل کننده ریاضی به کار برده میشود. از قابلیت های این مبدل با موجک های مادر مختلف، تجزیه یک سری زمانی به زیر سریهایی با پایه های زمانی متفاوت است. خوشه بندی ناحیه های ماهواره ای و ایستگاههای باران سنجی با استفاده از شبکه خود سازمانده عصبی (som) که مخفف organizing map) (self میباشد، انجام شده است. آموزش این شبکه از نوع آموزش بدون نظارت است. بدین مفهوم که شبکه خود نحوه ی دسته بندی ورودیها را انتخاب می کند. در مدل سازی های انجام یافته گام اول مدلسازی بارش-رواناب ایستگاههای باران سنجی و ناحیه های ماهواره ای با استفاده از ann است. پس از انتخاب بهترین نتیجه از هر ست داده در گام دوم از مفهوم میانگین متحرک در مدلسازی استفاده شد. گام سوم در برگیرنده مدلسازی حالات ترکیبی ماهواره ها بود. در گام چهارم از تبدیل موجک برای پیش پردازش داده ها استفاده شده است و در نهایت som برای خوشه بندی داده ها به کار گرفته شد. نتایج کلی حاصله بیان از این دارد که در پیش پردازش و مدلسازی داده ها با استفاده از شبکه های عصبی مصنوعی در پیش بینی رواناب حاصل از بارش در داده های ماهواره ای، ناحیه های پایین دست، نتایج بهتری نسبت به ناحیه های بالا دست ارائه داده اند. در مورد ایستگاههای باران سنجی نیز این امر حاکم است. ایستگاههای باران سنجی موجود در پایین دست پیش بینی بهتری از رواناب حاصله داشته اند. برای ارتقا مدل و بررسی آثار فصلی بودن از میانگین متحرک استفاده شده است. مدل هایی که با استفاده از داده های پیش پردازش شده توسط موجک ها ساخته شده اند، بر خلاف انتظار بهبودی در نتایج نسبت به حالت بدون پیش پردازش ارائه ننموده اند. در این مدل ها، موجک های مادر متفاوتی مورد بررسی قرار گرفته است. در خوشه بندی ایستگاههای باران سنجی و ناحیه های ماهواره ای با استفاده از نقشه های خود سازنده نتایج حاصله از مدل سازی با شبکه های عصبی مورد تأیید قرار گرفته است.