علیرضا بابائیان امینی

با توجه به اینکه سرریهای زمانی هیدروکلیماتولوژیکی دارای سره جز اللی وودهمبسته، فصلانهوتصادفیمیباشند و رفتار مدلهایی که تاکنون ارائه شردهبوده اسرت، اند، نسربت به این اجزا متفاودر این مقاله از دادههای ماهانه بارش ورواناب حوضرهMurrumbidgeeاسترالیا و دادههای کمینه دمای ماهانه شررهر تبریز برای ایجاد و ارزیابی مدل ترکیبی موج-شرربکه عصرربی اسررتفاده شررده اسررت.با توجه به اینکه توانایی مدل غیروطی و وودهمبسرررتره شررربکره عصررربی مصرررنوعی(ANN)(Artificial Neural Network)در مردلسرررازیگام بعد یفرآیندهایهیدروکلیماتولوژیکی (Hydro-Climatological)شررده اسررت، در این مقاله توانایی مدل اثباANNبا انتشررار برگشررتی وطا و هم نین ترکیل مدلANNوتبدیل موج (WANN)در مدلسرازی فصرلانه فرآیندهای هیدروکلیماتولوژیکی برای پیشبینی چندگام بعد بابهکارگیریکمترین ورودی بررسری شده است. بههمین منظور ابتدا از مدلANNاز مدل و سرسWANNبرای پیشرده اسرتتا دوازده گام بعد اسرتفاده شر بینی ی. در انتها کارایی همه مدلرتفاده ازها با اسر معیارهای ارزیابی بررسری شرده و مدلها با یکدیگر مقایسرهشردهاند. نتایج مدلسازیبیانگر ایناب ست که استفاده از تبدیل موجهعنوان پیشپردازش دادهها موجل شرررده با کمترین ورودی، دقت نتایج مدلسرررازی در همه گامهای پیشبینی بهمطلوبی افزایش یابد. لررروربرای سرررری زمانی رواناب موردمطالعهبهدلیل ویژگی وودهمبسرته ضرعیو و حالت فصلانه چندتناوبهقابلتوجه، مدلANNنتایج ضعیفی راارائه دادولی استفاده از تبدیل موج بهعنوان پیشپردازش دادهها باعث بهبود نتایج در همه گامهای پیشبینی نسربت به مدلANNشد (تا403%) و هم نین با افزایش مقیاس زمانی تجزیه بهدلیل افزایش زیر سرریها و کنترل بهتر حالت فصرلانهنتایج مناسرلتریبرای همه گامهای پیشبینی حالل شد. برای سری زمانی دما بهدلیل ویژگی وودهمبسرته قوی و حالت فصرلانه تتناوبهقابلتوجه، مدلANNًنتایج نسربتامناسربی راارائه دادبه ولی استفاده از تبدیل موجعنوان پیشپردازش دادهها باعث بهبود نتایج در همه گامهای پیشبینی نسبت به مدلANNشد (تا03%ً) ولی عملاچندانی را ایجاد نکرد.