آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشه بندی به ترتیب برای پیش پردازش زمانی و مکانی استفاده گردید. روش مدل سازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش بینی یک ماه آینده می باشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحت سنجی را در مرحله ی مدل سازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدل سازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحت سنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.

برآورد و پیش بینی بارش اهمیت ویژه ای دارد. به دلیل نبود قطعیت، هیچ یک از مد ل های آماری و مفهومی نتوانسته اند به منزله یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیرا، به کاربرد موجک در آنالیز سیگنال ها و سری های زمانی در هیدرولوژی توجه شده است. در این تحقیق، سیگنال بارندگی با استفاده از موجک مادر منتخب تجزیه شد و داده های به دست آمده با دو روش برازش معادلات مستقیم و هیبرید عصبی- موجکی برای پیش بینی استفاده شد. روش مذکور در پیش بینی بارندگی ماهانه 33 سال ایستگاه زرین گل از سال آبی 1354 1355 تا 1386 1387 به کار گرفته شد و نتایج با یکدیگر مقایسه شد. نتایج نشان داد تجزیه سیگنال با موجک به طور قابل ملاحظه ای موجب افزایش همبستگی میان داده های مشاهداتی و محاسباتی می شو د و سیگنال بارندگی با دقت بیشتری پیش بینی می شود، به طوری که در روش مستقیم میزان R2 برابر با 0.74 و در روش هیبرید عصبی- موجکی در بهترین حالت برای چهار سطح تجزیه برابر 0.95 است. این نتیجه قدرت موجک در ساده سازی سیگنال و افزایش دقت پیش بینی داده های کاملا تصادفی بارندگی را در منطقه مورد نظر تایید می کند. ضمن آنکه، معنی دار نبودن تست F در سطح 90 درصد و بالاتر تایید دیگری بر این مطلب است.

لطفا برای مشاهده چکیده به متن کامل (PDf) مراجعه فرمایید.

خشکسالی به عنوان یکی از مهم ترین بلایای طبیعی است که ممکن است در هر رژیم آب و هوایی اتفاق بیفتد. از آنجا که وقوع خشکسالی اجتناب ناپذیر است، بنابراین شناخت آن به منظور مدیریت بهینه منابع آب، از اهمیت بسزایی برخوردار است. از موثرترین عوامل در تدوین طرحهای مقابله با خشکسالی و مدیریت آن، طراحی سیستم های پیش بینی خشکسالی است که بتوان اثرات مخرب ناشی از آن را به حداقل رساند. به این منظور در این تحقیق برای پیش بینی خشکسالی های آتی، از تلفیق الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی- موجکی در تحلیل شاخص بارندگی استاندارد شده، استفاده گردید و در نهایت نشان داده شد که به کارگیری روش تلفیقی مذکور در مقایسه با تلفیق الگوریتم ژنتیک و شبکه عصبی، نتایج مطلوبی را ارائه می دهد.

دریاچه ارومیه دومین دریاچه شور جهان است و با توجه به معیارهای اجتماعی- اقتصادی و زیست محیطی نقش مهمی در منطقه شمال غرب ایران دارد که در سال های اخیر با مشکلاتی مواجه شده است و به دلیل خشکسالی، استفاده بیش از حد آب های سطحی و ساخت سدها تراز سطح آب آن کاهش یافته است. یکی از فاکتورهای مهم که در مدیریت صحیح در هر زمینه ای، تاثیر دارد، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه است به همین دلیل شبیه سازی و سپس پیش بینی متغیرهای هیدرولوژیکی از اهمیت ویژهای برخوردار است. بنابراین در پژوهش حاضر به مقایسه سه روش پیش بینی سری زمانی آریما، شبکه عصبی مصنوعی و شبکه عصبی- موجکی جهت ارائه بهترین روش پیش بینی تراز سطح آب دریاچه ارومیه در مقیاس ماهانه پرداخته شده است. نتایج حاصل با توجه به معیار ضریب تبیین و جذر میانگین مربعات خطا مقایسه شد که نشان دهنده عملکرد بهتر شبکه عصبی- موجکی در مقایسه با دو روش سری زمانی آریما و شبکه عصبی مصنوعی، به دلیل لحاظ نمودن تغییرات ماهانه، فصلی و سالانه در قالب تجزیه سری های زمانی می باشد.

در این تحقیق، نحوه عملکرد شبکه های عصبی موجکی با شبکه های عصبی مصنوعی در پیش بینی درصد شکستگی دانه های جو در کمباین مقایسه شد. شبکه های مزبور به صورت تابعی از درجه حرارت هوا، سرعت کوبنده، سرعت پیشروی کمباین، فاصله کوبنده و ضدکوبنده در جلو و عقب واحد کوبنده و درصد رطوبت جو آموزش داده شد. شبکه عصبی موجکی (RASP1) با دقت 90.2 درصد در پیش بینی شکستگی دانه جو به عنوان یک جایگزین مناسب برای شبکه های عصبی با دقت 88 درصد تعیین شد. نتایج آنالیز حساسیت نشان داد که تاثیر کلیه ورودی های شبکه بر شکستگی دانه های جو معنی دار بوده و بیشترین تاثیر مربوط به سرعت کوبنده و کمترین تاثیر مربوط به درجه حرارت هوا بود.

برآورد، پیش بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است، لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متاسفانه به دلیل پیچیدگی رابطه بین بارش و رواناب، و غیرخطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی دادند. امروزه، پیشرفت علم و توسعه روشهای نوین در همه ابعاد علمی، امیدواری خوبی را در زمینه شناخت و حل چنین روابطی به وجود آورده است. یکی از روشهایی که در چند دهه اخیر توجه محققین را به خود جلب کرده، استفاده از شبکه های عصبی است. در این پژوهش از شبیه عصبی- موجکی برای براورد رواناب در حوضه آبخیز رود خرسان 3، استفاده شده است. سپس نتایج به دست آمده از این شبیه با نتایج شبکه عصبی انتشار برگشتی و شبکه عصبی بنیادی- شعاعی به عنوان شبیه های قدیمیتر مقایسه، و تجزیه و تحلیل گردید. بررسی دقت و مقایسه نتایج محاسبات باکاربرد ضریب همبستگی و ریشه میانگین مربعات خطا صورت گرفت. نتایج این تحقیق نشان می دهند که دقت شبکه عصبی- موجکی از شبکه عصبی انتشار برگشتی، و شبکه عصبی بنیادی- شعاعی در وضعیت بهتری قرار دارد.

چالش منابع آب امروزه مشکل بسیاری از کشورهای خاورمیانه است و این واقعیت در مورد دریاچه ارومیه که تراز سطح آب آن، با توجه به تغییرات بارش، خشک سالی و سدسازی دچار تغییرات و نوسانات زیادی شده است، دارای اهمیت بیشتری می باشد. هدف اصلی این مقاله بررسی قابلیت روش پویایی سیستم، SD (System Dynamic)، برای پیش بینی نوسانات سطح آب با استفاده از شبکه عصبی فازی تطبیقی موجکی، WANFIS (Wavelet Adaptive Neuro-Fuzzy Inference Systems)، می باشد. به همین دلیل، یک مدل شبیه سازی بر پایه پویایی سیستم برای حوضه آبریز دریاچه ارومیه توسعه داده شد. سپس، برای پیش بینی سطح آب، عوامل موثر بر آن مانند بارش، دبی و تبخیر با استفاده از مدل WANFIS پیش بینی شده و نتایج حاصل از پیش بینی وارد مدل پویایی سیستم می گردد و سپس سطح آب محاسبه می شود. نتایج مدل سازی نشان داد که مدل ترکیبی پویایی سیستم و شبکه عصبی فازی تطبیقی موجکی (SD-WANFIS) دارای عملکرد مناسبی می باشد. مقادیر شاخص های آماری مانند جذر میانگین مربعات خطا و ضریب تبیین برای مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی در مرحله صحت سنجی به ترتیب 31/0 متر و 84/0 می باشد. درحالی که این شاخص ها برای مدل جعبه سیاه خطی خود همبسته میانگین متحرک تلفیق شده، ARIMA (Auto Regressive Integrated Moving Average) برابر 61/0 متر و 53/0 می باشند. این نتایج نشان داد که ترکیب این دو مدل SD و مدل فازی WANFIS جهت پیش بینی با دقت مناسب، مفید می باشد.