کاهش نویز از سری های زمانی دبی ماهانه با استفاده از موجک و نظریه آشوب

لازمه مدیریت بهینه منابع آبی اطلاع از میزان جریان در رودخانه و پیش بینی آن می باشد. افزایش دقت نتایج پیش بینی، هدف بسیاری از محققان است. وجود نویز در داده های هیدرولوژیکی می تواند منجر به کاهش دقت پیش بینی گردد بنابراین در تحقیقات اخیر در کنار توجه به توسعه و ارائه مدل با قابلیت های محاسباتی بالاتر، به بررسی داده های مورد استفاده نیز اهمیت داده می شود. هدف از این تحقیق بررسی تاثیر کاهش نویز (NR) داده های ورودی بر میزان دقت مدل ها می باشد. جهت مطالعه دو رودخانه ی آجی چای و صوفی چای انتخاب و نویز جریان رودخانه با دو روش نظریه آشوب و موجک کاهش گردید. سپس پیش بینی جریان ماهانه ی آنها با مدل ANN در سه حالت استفاده از داده های خام، NRیافته با آشوب و موجک انجام شده است. برای بررسی نتایج، RMSE، ضریب همبستگی و نش-ساتکلیف در این سه حالت مدلسازی محاسبه و به ترتیب ذکر می گردد. در رودخانه صوفی چای RMSE با داده های خام و NRیافته با آشوب و موجک ۰۷۸/۰، ۰۴۵/۰ و ۰۳۴/۰، مقدار R۲، ۸۴۶/۰، ۹۷۴/۰ و ۹۷۹/۰ و همچنین نش-ساتکلیف ۷۱۵/۰، ۹۴۸/۰ و ۹۵۸/۰ می باشد. در رودخانه آجی چای RMSE در این سه حالت به ترتیب ۱۲۶/۰، ۰۶/۰ و ۰۷۸/۰، مقادیر R^۲ ۷۴/۰، ۹۴/۰ و ۹۱/۰ و نش-ساتکلیف ۵۴۵/۰، ۸۸۲/۰ و ۸۱۵/۰ بدست آمد. می توان گفت به کارگیری داده های NR یافته در مدلسازی جریان رودخانه موجب افزایش دقت پیش بینی می شود. همچنین مقایسه نتایج بین دو روش NR نشان می دهد که در رودخانه آجی چای روش آشوب و در صوفی چای موجک عملکرد بهتری دارد و نمی توان به صورت قطعی یکی از این روش ها را به عنوان روش بهتر جهت NR معرفی نمود.

کلیدواژه ها:

دبی ماهانه ، کاهش نویز ، موجک ، نظریه آشوب ، شبکه عصبی مصنوعی ، صوفی چای ، آجی چای