نقش روش های تجزیه سیگنال در مدل سازی ارتفاع سطح دریا

پیش بینی دقیق نوسانات تراز آب در دریاچه خزر، به عنوان یک حوضه آبی بسته که تغییرات آن عمدتا ماهیت اقلیمی و غیر جزرومدی دارد، یک چالش علمی برجسته است. سری های زمانی تراز آب در این منطقه دارای ماهیت غیرخطی و غیرمانا هستند که مدل سازی مستقیم آن ها را با چالش مواجه می کند. در این پژوهش، به منظور افزایش دقت پیش بینی، از مدل های ترکیبی مبتنی بر تجزیه سیگنال و شبکه های عصبی استفاده شده است. به طور خاص، کارایی دو روش تجزیه سیگنال، تجزیه به مولفه های ذاتی و تجزیه به مولفه های متغیر، به عنوان مرحله پیش پردازش برای یک شبکه عصبی پرسپترون چندلایه مورد ارزیابی قرار گرفت. داده های ساعتی تراز آب ایستگاه نوسان نگار بندر امیرآباد به عنوان ورودی استفاده شد. نتایج نشان داد که هر دو مدل ترکیبی عملکرد بهتری نسبت به مدل پرسپترون مستقل دارند. با این حال، مدل ترکیبی تجزیه به مولفه های متغیر و شبکه عصبی پرسپترون به دلیل مبانی ریاضی استوارتر، پایداری بیشتر در برابر نویز و تفکیک بهتر مولفه های سیگنال، با کاهش چشمگیر خطای جذر میانگین مربعات، کارایی برتری در پیش بینی نوسانات تراز آب از خود نشان داد. در حالتی که بدون تجزیه سیگنال این مدل سازی صورت گیرد دقت برابر ۶/۲ سانتی متر و با استفاده از روش های تجزیه به توابع ذاتی و متغیر به ترتیب ۷/۱ سانتی متر و ۵ میلی متر خواهد بود.

کلیدواژه ها:

مدل سازی تراز آب ، دریاچه خزر ، تجزیه به مولفه های ذاتی ، تجزیه به مولفه های متغیر