شبکه ی عصبی موجک

سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت های مالی و جانی فراوانی به جوامع مختلف می گردد. به همین دلیل محققان سعی نموده اند که تغییرات کمی این پدیده را حتی المقدور به طور دقیق مورد بررسی قرار دهند. در این پژوهش جهت تخمین دبی سیلابی ایستگاه کهمان الشتر واقع در استان لرستان از مدل شبکه ی عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته در مقیاس زمانی روزانه با تأخیرهای مختلف در طی دوره ی آماری (1391-1380) به عنوان ورودی و دبی حداکثر روزانه به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدرمطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی سیلابی دارند، لیکن از لحاظ دقت، مدل شبکه ی عصبی موجک عملکرد بهتری نسبت به شبکه ی عصبی مصنوعی از خود نشان داده است.

خشکسالی یکی از پدیده های آب و هوایی است که در همه ی شرایط اقلیمی و در همه ی مناطق کره ی زمین به وقوع می پیوندد. پیش بینی خشک سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم های منابع آب، تعیین نیاز آبی گیاه  ایفا می نماید. در این پژوهش جهت تخمین شاخص بارش استاندارد 12 ماهه ی چهار ایستگاه باران سنجی دلفان، سلسله، دورود و بروجرد واقع در استان لرستان از مدل شبکه ی عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر بارش در مقیاس زمانی ماهانه در طی دوره ی آماری (1372-1392) به عنوان ورودی و شاخص بارش استاندارد به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین شاخص بارش استاندارد دارند، لیکن از لحاظ دقت، مدل شبکه ی عصبی موجک عملکرد بهتری نسبت به شبکه ی عصبی مصنوعی از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل شبکه ی عصبی موجک می تواند در زمینه تخمین خشکسالی موثر باشد.