فرناز دانشور وثوقی

مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی های علم هیدرولوژی است. هدف از این پژوهش استفاده از روش های پیش پردازش زمانی از جمله رف ع نویز موجکی و تبدیل موجک برای پیش بینی سری های زمانی ماهانه رواناب در دشت اردبیل می باشد. ش بیه س ازی ب ارش – روان اب ب ا اس تفاده از مدل جعب ه س یاه شبکه عصبی مصنوعی برای سه ترکیب داده های بارش و رواناب دشت اردبیل انج ام گردید. ترکیب اول و دوم داده ها از داده های خود ایستگاه در زمان های گذشته استفاده می کند و ترکیب سوم داده ها از داده های ایستگاه های بالادست (ایستگاه های گیلانده و کوزه تپراقی) برای پیش بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده می کند. نتایج نشان داد ک ه اعم ال روش های پیش پردازش زمانی رف ع نویز م وجکی و استفاده از تبدیل موجک در ش بیه س ازی بارش-رواناب ب ا مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باع ث بهب ود 4 و 39 درصدی در مرحل ه آزمایش مدل شده است.

آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشه بندی به ترتیب برای پیش پردازش زمانی و مکانی استفاده گردید. روش مدل سازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش بینی یک ماه آینده می باشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحت سنجی را در مرحله ی مدل سازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدل سازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحت سنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.