بررسی کارایی روش دسته بندی گروهی داده ها و تبدیل موجک در پیش بینی رواناب (مطالعه موردی: حوضه آبریز قره سو)

امروزه بکارگیری مدل های داده محور ابزارهای جدیدی برای شبیه سازی و مدلسازی در علوم مختلف می باشد. فرآیند بارش- رواناب از مهم ترین و پیچیده ترین پدیده ها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دسته بندی گروهی داده ها، کارایی آن جهت مدل سازی فرآیند بارش-رواناب حوضه آبریز قره سو مورد مطالعه قرار گرفت. در ابتدا سری های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسری های زمانی به عنوان ورودی روش دسته بندی گروهی داده ها برای پیش بینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخص های ضریب تبیین (DC) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شدند. نتایج حاصل از مدل ها بیانگر آن است که بیشترین مقدار ضریب تبیین و مقدار ریشه میانگین خطا برای مدل منفرد GMDH به ترتیب 65/0 و 07/0 و برای مدل ترکیبی به ترتیب 91/0 و 05/0 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی دسته بندی گروهی داده های موجکی، به جای استفاده از سری زمانی داده های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده می نماید. همچنین نتایج نشان داد که مدل ترکیبی  Wavelet-GMDH در مقایسه با سایر مدل های ترکیبی مانند شبکه عصبی مصنوعی موجکی (WANN) به سبب عملکرد لایه ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون های بهینه در هر لایه حرکت به سمت داده های پیش بینی شده را جهت دهی می نماید، دارای کارایی و دقت بیشتری است.