سفره های آب زیرزمینی غالباً 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. اخیراً، 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.
Application of wavelet-neural network model for forecasting of groundwater level time series with non-stationary and nonlinear characteristics.
چکیده [English]
Aquifer systems are often characterized by non-stationary and nonlinear features. Modelling of these systems and forecasting their future conditions requires identification of these fundamental features. Recently, wavelet analysis have been used widely in hydrological time series forecasting owing to its ability to decode aforementioned features. In this paper, a hybrid model based on coupling wavelet and artificial neural networks (WANN) that use sum of sub-series method, is tested for its ability to yield forecasts of groundwater level. The model results are compared with the results from artificial neural networks (ANN) and multi linear regression (MLR) models. The variables used to develop the models were monthly groundwater level at two piezometers and monthly total precipitation data recorded for 20 years in the Qom plain, Iran. Twelve-month-ahead prediction with the WANN model show that the error of this model is 30 and 23 percent less than ANN model and 37 and 51 percent less than MLR model for piezometers 1 and 2 respectively. The results show that precipitation has no significant effect on groundwater level variations of the two study piezometers; Although for the detail sub-series, use of precipitation improved the results.
کلیدواژه ها [English]
wavelet neural network, water table, multi linear regression, Qom plain
ابتدای صفحه