کاهش نویز از سری های زمانی دبی ماهانه با استفاده از موجک و نظریه آشوب (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
لازمه مدیریت بهینه منابع آبی اطلاع از میزان جریان در رودخانه و پیش بینی آن می باشد. افزایش دقت نتایج پیش بینی، هدف بسیاری از محققان است. وجود نویز در داده های هیدرولوژیکی می تواند منجر به کاهش دقت پیش بینی گردد بنابراین در تحقیقات اخیر در کنار توجه به توسعه و ارائه مدل با قابلیت های محاسباتی بالاتر، به بررسی داده های مورد استفاده نیز اهمیت داده می شود. هدف از این تحقیق بررسی تأثیر کاهش نویز (NR) داده های ورودی بر میزان دقت مدل ها می باشد. جهت مطالعه دو رودخانه ی آجی چای و صوفی چای انتخاب و نویز جریان رودخانه با دو روش نظریه آشوب و موجک کاهش گردید. سپس پیش بینی جریان ماهانه ی آنها با مدل ANN در سه حالت استفاده از داده های خام، NRیافته با آشوب و موجک انجام شده است. برای بررسی نتایج، RMSE، ضریب همبستگی و نش-ساتکلیف در این سه حالتِ مدلسازی محاسبه و به ترتیب ذکر می گردد. در رودخانه صوفی چای RMSE با داده های خام و NRیافته با آشوب و موجک 078/0، 045/0 و 034/0، مقدار R2، 846/0، 974/0 و 979/0 و همچنین نش-ساتکلیف 715/0، 948/0 و 958/0 می باشد. در رودخانه آجی چای RMSE در این سه حالت به ترتیب 126/0، 06/0 و 078/0، مقادیر R^2 74/0، 94/0 و 91/0 و نش-ساتکلیف 545/0، 882/0 و 815/0 بدست آمد. می توان گفت به کارگیری داده های NR یافته در مدلسازی جریان رودخانه موجب افزایش دقت پیش بینی می شود. همچنین مقایسه نتایج بین دو روش NR نشان می دهد که در رودخانه آجی چای روش آشوب و در صوفی چای موجک عملکرد بهتری دارد و نمی توان به صورت قطعی یکی از این روش ها را به عنوان روش بهتر جهت NR معرفی نمود.Noise reduction of monthly discharge time series using wavelet and chaos theory
River streamflow predicting is necessary to optimal protection and management of water resources. Improving forecasting of river flow is many researcher's goals. The noise on hydrological data is present, which reduces the efficiency of Data-Driven Models, Therefore, in recent research, in addition to paying attention to model development, importance has also been given to identification and reducing of noise in the data used. For this purpose, monthly streamflow prediction of the two rivers (Ajichay and Sufichay) has been carried out using an ANN model in three different cases of input data to model, including: 1- raw data 2- noise-reduced data utilizing the chaos theory method, 3- noise-reduced data utilizing the wavelet. To examine and compare the results, the evaluation criteria are calculated in three different cases of input data to ANN and the results of three cases are listed respectively. In Sufichay river, RMSE is 0.078, 0.045 and 0.034, R^2 is 0.846, 0.974 and 0.979, and the Nash-Sutcliffe value is 0.715, 0.948 and 0.958. In Ajichay river, RMSE values in these three cases were 0.126, 0.06, and 0.078, respectively, and R^2 were obtained 0.74, 0.94, and 0.91, and NSE were 0.545, 0.882, and 0.815. Therefore, it can be concluded that the using noise-reduced data cause to improve the accuracy of model prediction results. We observed that in Ajichay, the chaos method and in Sufichay, the wavelet method had better results, and one of these methods cannot be definitively introduced as the better method than the other for reducing data noise.
تبلیغات
