کاربرد مدل شبکه عصبی- موجک برای پیش بینی ویژگی های غیرایستا و غیرخطی سری زمانی تراز آب زیرزمینی

سفره های آب زیرزمینی غالبا به عنوان سیستم هایی با ویژگی های غیرایستا و غیرخطی شناخته می شوند. مدل سازی این سیستم ها و پیش بینی حالت های آینده آن ها نیازمند تشخیص این ویژگی های بنیادی است. اخیرا، آنالیز موجک به دلیل توانایی آن در رمزگشایی ویژگی های اشاره شده، به طور گسترده ای در زمینه پیش بینی سری های زمانی هیدرولوژیکی مورد استفاده قرار گرفته است. در این مقاله توانایی مدل ترکیبی شبکه عصبی- موجک که از روش جمع زیرسری ها استفاده می کند، در پیش بینی تراز آب زیرزمینی ارزیابی شده است. داده های استفاده شده برای تشکیل مدل شامل تراز آب زیرزمینی ماهانه و بارندگی ماهانه دو پیزومتر واقع در دشت قم به مدت 20 سال است. پیش بینی 12 ماه آینده با مدل ترکیبی شبکه عصبی- موجک نشان داد خطای این مدل در مقایسه با مدل شبکه عصبی به میزان 30 و 23 درصد و در مقایسه با مدل رگرسیون خطی چندمتغیره 37 و 51 درصد به ترتیب برای پیزومترهای 1 و 2 کمتر است. همچنین نتایج نشان داد بارندگی اثر قابل توجهی روی تغییرات تراز آب زیرزمینی دو پیزومتر مطالعاتی ندارد؛ اگرچه در زیرسری های جزئیات حاصل از تجزیه موجکی، استفاده از بارندگی باعث بهبود نتایج شد.