پیش بینی جریان رودخانه کشکان با استفاده از ترکیب روش های شبکه عصبی مصنوعی، آنالیز موجک وK - نزدیک ترین همسایه

پیش بینی دقیق هیدرولوژی و منابع آب می تواند اطلاعاتی مفیدی برای برنامه ریزی شهری، آمایش زمین، طراحی پروژه های شهری و مدیریت منابع آب ارائه دهد. در این مطالعه با در نظر گرفتن اهمیت قابل توجهی که رودخانه کشکان در تامین بخش مهمی از آب رودخانه کرخه و مشروب ساختن زمین های کشاورزی استان لرستان دارد مدل پیش بینی سری زمانی جریان این رودخانه با استفاده از روش های K- نزدیک ترین همسایه (K-NN)، شبکه عصبی مصنوعی (ANN) و ترکیب آنالیز موجک (WT) اجرا شد. در این خصوص ابتدا با استفاده از نمایه هرست، حافظه سری زمانی رودخانه یاد شده به مقدار 6/0 به دست آمد که نشان از حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی آن داشت. در ادامه با در نظر گرفتن اینکه سری زمانی جریان رودخانه تابعی از سری های زمانی با تاخیر 1-3-5-7-10 و 15 روز است. فرآیند مدل سازی سیگنال رواناب با استفاده از دو روش K-NN و ANN انجام گرفت. در گامی دیگر سری زمانی سیگنال رواناب با استفاده از موجک مادر میر، به 4 زیر سیگنال تجزیه شد که با اتخاذ این زیرسیگنال ها به جای سیگنال اصلی، مدل های ترکیبی K-NN-WT و ANN-WT جهت شبیه سازی رواناب اجرا شدند. نتایج حاصل از سنجه های کارایی عملکرد مدل نشان دادند که مدل K-NN با خطای 6/4 درصد و ضریب همبستگی 9/0 از عملکرد مناسب تری نسبت به شبکه عصبی که متحمل خطاهای نامتقارنی شده بود برخوردار است. از سوی با ترکیب آنالیز موجک عملکرد هر دو مدل بهبود پیدا کرد که در این خصوص مدل ANN-WT با خطای 2/1 درصد و ضریب همبستگی 989/0 شبیه سازی دقیق تری را نسبت به سه مدل دیگر انجام داد.