تاثیر موجک بر افزایش دقت مدل های تخمینی در مدل سازی بارش-رواناب (مطالعه موردی: حوضه صوفی چای)

فرآیند بارش-رواناب از مهم ترین و پیچیده ترین پدیده ها در چرخه هیدرولوژی بوده و در مدل سازی آن، دیدگاه های متفاوتی برای توسعه و بهبود مدل های پیش بینی کننده ارایه شده است. لذا، بر حسب استفاده از روش های گوناگون، انواع مدل ها توسعه یافته اند. در این تحقیق فرآیند بارش-رواناب در حوضه صوفی چای با استفاده از شبکه عصبی مصنوعی (ANN) و هیبرید موجک-شبکه عصبی (WANN) مورد مطالعه قرارگرفته است. داده های بارش-رواناب در طول دوره آماری (98-1380) برای آموزش و صحت سنجی مدل ها مورد استفاده قرار گرفت و شش سناریو برای هر مدل در نظر گرفته شد. نتایج این سناریو ها نشان داد که بهترین ورودی ها برای مدل ها، مربوط به سناریوی پنج است که در آن از دبی با یک تاخیر، بارش ماه مورد نظر و بارش با یک تاخیر استفاده شده است. در حالت کلی نتایج حاکی از دقت قابل قبول هر دو مدل است. از لحاظ اولویت نیز مدل WANN با بیش ترین دقت ضریب همبستگی (r)، جذر میانگین مربع خطاها (RMSE) و ضریب نش-ساتکلیف (NSE) به ترتیب برابر 97/0، 99/23 و 95/0 برای مرحله آموزش و 82/0، 33/62 و 68/0 برای مرحله آزمون کمترین خطا در اولویت اول و مدل ANN در اولویت بعدی با مقادیر ضریب همبستگی (R)، جذر میانگین مربع خطاها (RMSE) و ضریب نش-ساتکلیف (NSE) به ترتیب برابر 93/0، 41/40 و 87/0 برای بخش آموزش و 81/0، 40/73 و 56/0 برای بخش آزمون قرار گرفتند و نتایج گویای این بود که موجک باعث بهبود نتایج و پیش بینی در مدل سازی بارش-رواناب شده است.