مدل ترکیبی شبکه عصبی مصنوعی-موجکی و کاربرد آن در پیش بینی نوسانات سطح آب زیرزمینی

مدل سازی و پیش بینی دقیق سطح آب زیرزمینی کمک شایان توجهی به پروژه های عمرانی، تعیین نوع کاربری زمین، برنامه ریزی های شهری و مدیریت منابع آب می کند. در سال های اخیر، استفاده از مدل تلفیقی شبکه عصبی مصنوعی و تبدیل موجک (WANN) به منظور پیش بینی پدیده های هیدرولوژیکی و هیدروژئولوژیکی گسترش زیادی یافته است. در این مطالعه، حساسیت پیش پردازش داده ها با نوع موجک و سطح تجزیه در مدل فوق الذکر، برای پیش بینی سطح آب زیرزمینی مورد بررسی قرار گرفته است. بدین منظور، از داده های سری زمانی سطح آب زیرزمینی جمع آوری شده از اکتبر 1997 تا اکتبر 2007، در 26 پیزومتر آبخوان شهر قروه در ایران استفاده شده است. نخست، با استفاده از تبدیل موجک گسسته و موجک های مادر مختلف (Haar, db2, db3, db4)، این سری های زمانی اصلی به سیگنال های فرعی تا سطوح تجزیه مختلف تبدیل شدند. سپس این سیگنال های فرعی وارد شبکه عصبی گردیده و سطح آب زیرزمینی برای 6 ماه آینده بازسازی شد. برای ارزیابی دقت و صحت مدل، از دو پارامتر آماری ریشه دوم میانگین مربعات خطا (RMSE) و ضریب تعیین (R2) استفاده گردید. علاوه بر این، برای تجزیه و تحلیل دقیق تر، نتایج پیش بینی مدل در هر دو مرحله صحت سنجی و آزمون با داده های واقعی مقایسه شدند. نتایج نشان می دهد که موجک های db2 و db4 در مقایسه با موجک های Haar و db3، به دلیل شباهت بین سیگنال سطح آب و این توابع موجک مادر، دارای دقت بیشتری در زمینه پیش بینی نوسانات سطح آب زیرزمینی هستند.