مدلسازی نوسانهای ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا
چکیده
مدلسازی نوسانهای زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی بهصورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی بهکار رفته است. در این تحقیق، توانایی مدل ترکیبی موجک- شبکۀ عصبی پویا برای پیشبینی یک ماه آیندۀ عمق آب زیرزمینی ارزیابی شده و این مدل با مدلهای شبکۀ عصبی و رگرسیون خطی چندمتغیره مقایسه شده است. دادههای استفادهشده برای تشکیل مدلها فقط عمق آب زیرزمینی ماهانه است که در دو پیزومتر واقع در دشت قم بهمدت ده سال اندازهگیری شده است. نتایج نشان داد عملکرد مدل شبکۀ عصبی چندان رضایتبخش نیست. مدل رگرسیون خطی چندمتغیره نیز نتایج دقیقی نداشت و مقدار پیشبینیشده با این مدل در اکثر موارد بیشتر از مقدار واقعی بود، درحالیکه مدل ترکیبی موجک- شبکۀ عصبی با استفاده از موجک مادر Meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریبهای نش 993/0 و 974/0 بهترتیب برای پیزومترهای 1 و 2 پیشبینی کند.
نویسنده : طاهر رجایی؛ هادی ابراهیمی مدلسازی نوسانهای زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی بهصورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی بهکار رفته است. در این تحقیق، توانایی مدل ترکیبی موجک- شبکۀ عصبی پویا برای پیشبینی یک ماه آیندۀ عمق آب زیرزمینی ارزیابی شده و این مدل با مدلهای شبکۀ عصبی و رگرسیون خطی چندمتغیره مقایسه شده است. دادههای استفادهشده برای تشکیل مدلها فقط عمق آب زیرزمینی ماهانه است که در دو پیزومتر واقع در دشت قم بهمدت ده سال اندازهگیری شده است. نتایج نشان داد عملکرد مدل شبکۀ عصبی چندان رضایتبخش نیست. مدل رگرسیون خطی چندمتغیره نیز نتایج دقیقی نداشت و مقدار پیشبینیشده با این مدل در اکثر موارد بیشتر از مقدار واقعی بود، درحالیکه مدل ترکیبی موجک- شبکۀ عصبی با استفاده از موجک مادر Meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریبهای نش 993/0 و 974/0 بهترتیب برای پیزومترهای 1 و 2 پیشبینی کند.
تعداد صفحه : 15
مشخصات فایل : 970KB / PDF
قیمت : رایگان