مریم شفاعی - دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاور
احمد فاخری فرد - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
صابره دربندی - استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
محمدعلی قربانی - استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها بکار برده می شوند. تا بتوان با بکارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آنها را به حداقل ممکن رساند. در این مطالعه نیز با توجه به ویژگی های غیر خطی و مقیاس های زمانی چندگانه سری زمانی جریان روزانه ، مدل هیبرید شبکه عصبی و موجک پیشنهاد شده است. تفاوت عمده آنالیز موجک با آنالیز فوریه در این است که فرکانس (پریود) در آنالیز فوریه ثابت و دامنه متغیر می باشد در حالیکه در آنالیز موجک هم فرکانس و هم دامنه تغییرمی کند. در سال های اخیر از شبکه عصبی مصنوعیANN)به عنوان یک برون یاب غیر خطی به طورچشمگیری برای مدل کردن جریان توسط هیدرولوژیست ها استفاده شده است. در این تحقیق پیش بینی جریان روزانه ایستگاه ونیارکه از ایستگاه های رودخانه آجی چای است و درحوضه ارومیه واقع شده است مورد نظر است. برای این هدف سری زمانی جریان روزانه ایستگاه ونیار بوسیله تبدیل موجکی به یازده سری زمانی که هر کدام خصوصیات فرکانسی متفاوتی دارند تجزیه شده، و سپس بمنظور پیش بینی جریان روزهای آینده، این سری ها بعنوان داده های ورودی به مدل شبکه عصبی مصنوعی ANN) وارد شد. نتایج بدست آمده از تبدیل موجک – شبکه عصبی با نتایج حاصل از کاربرد فقط شبکه عصبی که ANN انتخاب شد مقایسه گردید و ملاحظه گردید که روش موجک - شبکه عصبی تعداد روزهای بیشتری را با همبستگی قابل قبول نسبت به روش شبکه عصبی پیش بینی می کند.

پیش بینی جریان، تبدیل موجکی ، سری زمانی، شبکه عصبی مصنوعی ، موجک