بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش‌بینی رسوبات سیلابی

جغرافیا و مخاطرات محیطی

مقاله 8، دوره 12، شماره 4 - شماره پیاپی 48، زمستان 1402، صفحه 161-186   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2023.80745.1342

نویسندگان

حلیمه یار¹؛ مهدی حیات‌زاده^{* 2}؛ علی فتح‌زاده³؛ حمیده افخمی⁴

¹کارشناسی ارشد آبخیزداری، دانشگاه اردکان، اردکان، ایران

²استادیار آبخیزداری، دانشگاه اردکان، اردکان، ایران

³دانشیار آبخیزداری، دانشگاه اردکان، اردکان، ایران

⁴دکتری آبخیزداری، شرکت آب منطقه‌ای تهران، وزارت نیرو، تهران، ایران

چکیده

معمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی به‌خوبی برای پیش­بینی سری‌های زمانی غیرخطی توسعه یافته‌اند، اما ماهیت غیرخطی داده‌های رسوب و تأثیر گسترده‌ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش­بینی این داده‌ها همواره با چالش‌هایی مواجه باشند. تئوری موجک ازجمله روش‌های پیش‌پردازشی است که می­تواند با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به‌وضوح بهتر روابط درونی داده‌های غیرخطی گردد. در تحقیق حاضر مقادیر داده‌های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال‌های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش­بینی صورت پذیرفت. همچنین به‌منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست 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 موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه‌سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه‌های عصبی مصنوعی 104/0 و 35/0 و در شبکه‌های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده‌ها، تأثیر موجک در شناسایی سیگنال‌های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه‌های عصبی منفرد در پیش‌بینی میزان رسوبات قابل‌حمل در سیلاب به‌وضوح قابل‌توجه است.

کلیدواژه‌ها

رسوب‌ معلق؛ داده‌کاوی؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ شبکه موجک

مراجع