تاثیر دما بر برآورد جریان خروجی از حوضه آبریز توسط شبکه های عصبی پرسپترون و کانولوشنی همراه با تحلیل موجک

تخمین جریان خروجی از یک حوضه آبریز تحت تاثیر پارامترهای مختلف، فرایندی پیچیده بوده و در صورت کمبود اطلاعات حوضه، استفاده از مدل های تحلیلی امکان پذیر نیست. از سوی دیگر، مدل های هوش مصنوعی نیاز به مشخصات حوضه نداشته و برخی مانند شبکه عصبی کانولوشنی (CNN) اخیرا در هیدرولوژی کاربرد فراوانی داشته اند. هدف این تحقیق بررسی عملکرد CNN در برآورد جریان خروجی بر حسب پارامترهای دما، بارش و دبی ورودی به حوضه بوده است. در این تحقیق از CNN، ترکیب CNN با تحلیل موجک (WCNN) و از شبکه عصبی پرسپترون (MLP) جهت ارزیابی تاثیر دما بر برآورد جریان خروجی در حوضه آبریز قلعه شاهرخ چلگرد در بازه زمانی سال ۱۹۹۲ تا ۲۰۱۵ میلادی استفاده شد. هر مدل ۲۰ مرتبه اجرا شده و میانگین مقادیر ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب نش- ساتکلیف (NS) محاسبه شده اند. تاخیر یک، دو و سه ماهه داده های دما و بارندگی نیز به عنوان داده ورودی لحاظ شده است. همچنین، از تحلیل موجک جهت پیش پردازش داده ها در کاهش نوفه استفاده شده و نتایج نشان داد که CNN  با تاخیر سه ماهه دارای مقادیر، و به ترتیب برابر (m۳/s) ۰/۹۲۲ ،۱۴/۲۰ و ۰/۷۷۲ بود. در مقابل، روش WCNNT۳  با موجک Daubechies  که ترکیب CNN و تحلیل موجک است، با عملکرد سطح چهار و وضوح دو (WCNNT۳-db۴۲) دارای مقادیر شاخص های ارزیابی برابر (m۳/s) ۰/۹۴۵ ،۹/۴۵ و ۰/۸۶۳ بود. بر این اساس، CNN عملکرد بهتری نسبت به MLP داشته و روش WCNN  نیز با کمک تحلیل موجک، کارایی و عملکرد بهتری نسبت بهCNN  از خود نشان داد.

کلیدواژه ها:

خروجی حوضه ، شبکه کانولوشنی ، تحلیل موجک ، کاهش نوفه ، قلعه شاهرخ