تبدیل موجک

تحلیل سری زمانی فرایندهای هیدرولوژیکی نقش بسزایی را در شناخت دقیق رفتار این فرایندها ایفا می کند. معیار موجک-آنتروپی شاخصی نوین جهت بررسی نوسانات سری های زمانی می باشد. در این مقاله با بهره گیری از معیار موجک-آنتروپی ترتیب عوامل مؤثر در کاهش تراز آب زیرزمینی در دشت سیلاخور مورد بررسی قرار گرفته است. به طور کلی کاهش معیار موجک-آنتروپی یا کاهش پیچیدگی سری زمانی یک پدیده، بیانگر کاهش میزان نوسانات طبیعی سری زمانی و در نتیجه نشان دهنده ی رخداد یک روند نامطلوب در سری زمانی است. در این راستا جهت شناسایی عامل مؤثر در افت سطح آبخوان ابتدا سری های زمانی ماهانه ی بارش، دما و دبی رودخانه های این دشت به بازه های زمانی کوچک تر تقسیم شدند و سپس هرکدام از این سری ها تحت تبدیل موجک به چندین زیر سری با مقیاس های زمانی مختلف تجزیه شد و نهایتاً پس از محاسبه انرژی موجک نرمال شده برای این زیرسری های زمانی، معیار موجک-آنتروپی برای هر یک از این    بازه های زمانی محاسبه گردید. نتایج به دست آمده از تحلیل تغییرات معیار موجک-آنتروپی گویای این واقعیت است که کاهش 71 درصدی پیچیدگی دبی رودخانه های خروجی از این منطقه بیشتر از تغییرات بارش و دما با کاهش پیچیدگی به ترتیب به اندازه ی 13 و 5/10 درصد بر کاهش پیچیدگی تراز آب زیرزمینی تأثیر گذاشته است و این موضوع گویای تقدم تأثیر عوامل انسانی بر عامل تغییر اقلیم در کاهش تراز سطح آب زیرزمینی در این دشت 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.

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.