فهرست نشریات علمی دسترسی آزاد ایران

با توجه به این ­که سری­ های زمانی هیدروکلیماتولوژیکی دارای سه جزء اصلی خودهمبسته، فصلانه و تصادفی می­ باشند و رفتار مدلهایی که تاکنون ارائه شده ­اند، نسبت به این اجزاء متفاوت بوده است، در این مقاله از داده­ های ماهانه بارش و رواناب حوضه Murrumbidgee استرالیا و داده ­های کمینه دمای ماهانه شهر تبریز برای ایجاد و ارزیابی مدل ترکیبی موجک- شبکه عصبی استفاده شده است. با توجه به این­ که توانایی مدل غیرخطی و خودهمبسته شبکه عصبی مصنوعی (ANN) (Artificial Neural Network) در مدلسازی یک گام بعد فرآیند­های هیدروکلیماتولوژیکی (Hydro-Climatological) اثبات شده است، در این مقاله توانایی مدل ANN با انتشار برگشتی خطا و همچنین ترکیب مدل ANN و تبدیل موجک (WANN) در مدل­سازی فصلانه فرآیند­های هیدروکلیماتولوژیکی برای پیش­ بینی چندگام بعد با به­ کارگیری کم­ترین ورودی بررسی شده است. به­ همین منظور ابتدا از مدل ANN و سپس از مدل WANN برای پیش ­بینی یک تا دوازده گام بعد استفاده شده است. در انتها کارایی همه مدل­ها با استفاده از معیارهای ارزیابی بررسی شده و مدل­ها با یکدیگر مقایسه شده‌اند. نتایج مدل­سازی بیانگر این است که استفاده از تبدیل موجک به­ عنوان پیش ­پردازش داده­ ها موجب شده با کمترین ورودی، دقت نتایج مدل­سازی در همه گام­ های پیش­ بینی به­ صورت مطلوبی افزایش یابد. برای سری زمانی رواناب موردمطالعه به­ دلیل ویژگی خودهمبسته ضعیف و حالت فصلانه چندتناوبه قابل‌توجه، مدل ANN نتایج ضعیفی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده­ ها باعث بهبود نتایج در همه گام­ های پیش­ بینی نسبت به مدل ANN شد (تا 749%) و همچنین با افزایش مقیاس زمانی تجزیه به­ دلیل افزایش زیر سری ها و کنترل بهتر حالت فصلانه نتایج مناسب­ تری برای همه گام­ های پیش­ بینی حاصل شد. برای سری زمانی دما به ­دلیل ویژگی خودهمبسته قوی و حالت فصلانه تک ­تناوبه قابل‌توجه، مدل ANN نتایج نسبتاً مناسبی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده ­ها باعث بهبود نتایج در همه گام ­های پیش­ بینی نسبت به مدل ANN شد (تا 18%) ولی عملاً تغییر مقیاس تجزیه، تفاوت چندانی را ایجاد نکرد.