بررسی تاثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش بینی رسوبات سیل

معمولا سهم قابل ملاحظه ای از خسارت های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه های لایروبی ناشی از فرونشست آنها در مناطق طبیعی، مسکونی و صنعتی برمی گردد. از این رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات محموله در آب نیز بسیار حائز اهمیت می باشد. امروزه شبکه های عصبی مصنوعی به خوبی برای پیش بینی سری های زمانی غیرخطی توسعه یافته اند، اما ماهیت غیرخطی داده های رسوب و تاثیر گسترده ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش بینی این داده ها همواره با چالش هایی مواجهه باشند. در تحقیق حاضر مقادیر داده های رسوب در دو ایستگاه آبنما و میناب هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش بینی صورت پذیرفت. همچنین به منظور بررسی تاثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج بدست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آنها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه مورد مطالعه به ترتیب با همبستگی ۰.۸۹ و ۰.۶۸ و شبکه عصبی موجکی با همبستگی ۰.۹ و ۰.۸ قادر به شبیه سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه های عصبی مصنوعی ۰.۱۰۴ و ۰.۳۵ و در شبکه های ترکیبی ۰.۱۲۴ و۰.۱۸ به دست آمد.