بررسی کارایی روش دسته‌بندی گروهی داده‌ها و تبدیل موجک در پیش‌بینی رواناب(مطالعه موردی: حوضه آبریز قره‌سو)

امروزه بکارگیری مدل­های داده محور ابزارهای جدیدی برای شبیه­سازی و مدلسازی در علوم مختلف می­باشد. فرآیند بارش- رواناب از مهم­ترین و پیچیده­ترین پدیده­ها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دسته­بندی گروهی داده­ها، کارایی آن جهت مدل­سازی فرآیند بارش-رواناب حوضه آبریز قره­سو مورد مطالعه قرار گرفت. در ابتدا سری­های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسری­های زمانی به عنوان ورودی روش دسته­بندی گروهی داده­ها برای پیش­بینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخص­های ضریب تبیین(DC) و ریشه میانگین مربعات خطا(RMSE) ارزیابی شدند. نتایج حاصل از مدل­ها 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 دسته­بندی گروهی داده­­های موجکی، به جای استفاده از سری زمانی داده­های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده می­نماید. همچنین نتایج نشان داد که مدل ترکیبی  Wavelet-GMDHدر مقایسه با سایر مدل­های ترکیبی مانند شبکه عصبی مصنوعی موجکی(WANN) به سبب عملکرد لایه­ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون­های بهینه در هر لایه حرکت به سمت داده­های پیش­بینی شده را جهت­دهی می­نماید، دارای کارایی و دقت بیشتری است.