پیش بینی بارندگی با استفاده مستقیم از نظریه موجک(مطالعه موردی: ایستگاه باران سنجی زرینگل استان گلستان)

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
مدل بندی جبری بارش ها در پریودهای مختلف به دلیل ماهیت تصادفی آن ها از نظر مکانی و زمانی، همواره با مشکلات عدیده ای همراه بوده و عدم قطعیت در پیش بینی ها از اعتبار برآوردها از طریق مدل های مختلف می کاهد. یکی از روش هایی که در سال های اخیر در رابطه با مدل سازی داده های هیدرولوژیکی مورد توجه قرار گرفته است، استفاده از موجک (Wavlet) به‌عنوان یکی از روش های نوین و بسیار موثر در زمینه تحلیل سیگنال ها و سری های زمانی است. در این روش سیگنال بارندگی با استفاده از موجک مادر منتخب تجزیه شده و داده های حاصل از تجزیه با معادلات مناسب برازش می یابد و مدل بدست آمده برای پیش بینی استفاده می شود. روش مذکور در مورد پیش بینی بارندگی ماهانه 33 سال آماری ایستگاه باران سنجی زرینگل با میانگین بارندگی سالانه 808 میلی متر از سال آبی 55-1354 تا 87-1386 به کار گرفته شد. نتایج نشان داد که تجزیه سیگنال با موجک، منجر به ساده تر شدن سیگنال بارندگی می شود. به‌طوری که همبستگی میان داده های مشاهداتی و محاسباتی 84 درصد به دست آمده و پیش بینی سیگنال بارندگی با دقت بیشتری صورت گرفته است. معنی دار نبودن آزمون F در سطح 90 درصد، تایید کننده نبودن اختلاف معنی دار بین داده های مشاهداتی و محاسباتی است.

واژه‎های کلیدی: الگو سازی، بارش، زرینگل، سیگنال، نظریه موجک

عنوان مقاله [English]

Prediction of Precipitation Applying Wavelet Network Model(Case study: Zarringol station, Golestan province, Iran)

نویسندگان [English]

  • P. Toufani
  • A. Mosaedi
  • A. Fakheri Fard
چکیده [English]

Abstract
Obligatory modelling of precipitations in various periods, have a lot of problems and weakness because of their casual nature in time and space. Moreover, their uncertainty in predictions, reduce credibility of estimations which have done via these models. Wavelet is one of the novel and very effective methods in analyzing of time series and signals considered in the hydrology in recent years. In this research, precipitation signal has been decomposed via selected mother wavelet, and then the resulted data are used by fitting direct equations to anticipate the precipitation. These mentioned methods are applied in Zarringol station in Golestan province (Iran) for 33 years predict monthly precipitation with 808 mm annually during 1975-76 until 2007-2008. As a result, decomposed signal via wavelet, correlation among observed and calculated data is 84% and the precipitation prediction can be done with more precise. Meaningless of F test in 90% and above verifies this phenomenon.

Keywords: Precipitation, Modeling, Signal, Wavelet theory, Zarringol