@article { author = {shafaei, Maryam and fakhei fard, ahmad and darbandi, sabereh and ghorbani, mohammadali}, title = {Predicrion Daily Flow of Vanyar Station Using ANN and Wavelet Hybrid Procedure}, journal = {Irrigation and Water Engineering}, volume = {4}, number = {2}, pages = {113-128}, year = {2014}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {}, abstract = {According to the importance of river flow forecasting in water resources management, various methods are considered to model the flow in rivers. For the propose of minimizing the flood or drought hazard from the view point of management. Having nonlinear features and multiple time scales, the time series of daily flow were considered to be analised using artificial neural network (ANN) and wavelet hybrid procedures. For this purpose the original time series for 35 years was decomposed to 11 multi-frequency subseries by wavelet transform and then in order to predict the flow of future 1, 2, 3, and 4 days, this sub series was entered as input data to ANN model. The results of the Application modeling of wavelet- ANN with the results of modeling of ANN is compared, and it was observed that method of wavelet-neural networks has a higher forecast accuracy than method of ANN and also forecast accuracy in both models with increasing number of  delays in the output neurons is reduced, and it was observed that in predicte by wavelet-neural networks were used from Haar wavelet and Meyer wavelet that results the simulation of  Meyer wavelet  were more accurate than Haar wavelet.}, keywords = {Haar wavelet,Meyer wavelet,Multi-frequency time series,time series,Water Resources Management}, title_fa = {پیش‌بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی؛ مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای}, abstract_fa = {با توجه به اهمیت پیش‌بینی جریان رودخانه در مدیریت منابع‌ آب روش‌های مختلفی برای مدل کردن جریان رودخانه‌ها بکار برده می‌شوند. تا بتوان با بکارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آن‌ها را به حداقل ممکن رساند. در این مطالعه نیز برای پیش‌بینی سری‌ زمانی جریان روزانه ایستگاه ونیار، با توجه به ویژگی‌های غیرخطی مقیاس‌های زمانی چندگانه، مدل هیبرید شبکه عصبی و موجک پیشنهاد شده است. برای این هدف سری زمانی اصلی به مدت 35 سال بوسیله تبدیل موجکی به 11 زیرسری زمانی چند فرکانسی تجزیه شده، و سپس برای پیش‌بینی جریان یک و دو و سه و چهار روز آینده، این سری‌ها بعنوان داده‌های ورودی به مدل شبکه عصبی مصنوعی وارد شد. نتایج بدست آمده از تبدیل موجک-شبکه عصبی با نتایج حاصل از کاربرد شبکه عصبی، مقایسه شده و ملاحظه گردید که روش موجک-شبکه عصبی نسبت به روش شبکه عصبی دقت پیش بینی بالاتری دارد و همچنین دقت پیش بینی در هر دو مدل با افزایش تعداد تأخیرها در نرون خروجی کاهش می یابد. لازم بذکر است که در پیش بینی توسط شبکه عصبی- موجکی از دو موجک هار و میر استفاده شد که نتایج شبیه سازی توسط موجک میر به مراتب بالاتر از موجک هار بود.}, keywords_fa = {سری زمانی چند فرکانسی,سری‌های زمانی,مدیریت منابع‌ آب,موجک میر,موجک هار}, url = {https://www.waterjournal.ir/article_70883.html}, eprint = {https://www.waterjournal.ir/article_70883_d13e33cad7673e62662e234916ef2858.pdf} }