@article { author = {Nikpour, , Mohamadreza and Abdollahi Asadabadi, Sajjad}, title = {Monthly precipitation prediction of Ardabil province using ANN and WANN models}, journal = {Irrigation and Water Engineering}, volume = {10}, number = {4}, pages = {241-257}, year = {2020}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {10.22125/iwe.2020.110094}, abstract = {Precipitation is one of the most important hydrological events and its prediction can be used as a practical tool for optimum utilization and management of water resources. In the present study, artificial neural network (ANN) and wavelet-artificial neural network (WANN) were used for monthly precipitation perdiction at selected synoptic stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad during the 225 months for the years 1996-2016. For the short-term forecast of monthly precipitation (one month later), different scenarios were defined based on precipitation delays. Results indicated that the WANN model with the highest determination coefficient (R2) and minimum root mean square error (RMSE) was acceptable for all stations. The values of R2 and RMSE for Ardabil station were equal to 0.88 and 7.13 mm, for Khalkhal station were equal to 0.91 and 6.36 mm, for Meshginshahr station were equal to 0.92 and 6.97 mm and for Parsabad station were equal to 0.86 and 8.51 mm, respectively. In all stations, utilization of  the superior model (WANN model) with the combination scenarios i.e. rainfall delays, the minimum and maximum temperature improved the results of the model, but on the other hand, increased the computational cost of the model. Also, in all stations, the addition of relative humidity and wind speed as input variables somewhat reduced the performance of the model. The general results of this study showed that the WANN model with appropriate rainfall delays on a monthly scale can be utilized to predict monthly precipitation of selected stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad with acceptable accuracy.}, keywords = {Ardabil Province,wavelet analysis,Monthly precipitation,Gene expression programming,Artificial Neural Network}, title_fa = {پیش‌بینی بارش ماهانه استان اردبیل با استفاده از مدل‌های ANN و WANN}, abstract_fa = {بارش یکی از مهم­ترین رخدادهای هیدرولوژیکی بوده و پیش­بینی آن می­تواند به عنوان یک ابزار کاربردی در بهره­برداری و مدیریت بهینه منابع آب مورد استفاده قرار گیرد. در پژوهش حاضر از مدل­های شبکه عصبی مصنوعی (ANN) و موجک- عصبی (WANN) برای شبیه­سازی بارش ماهانه در ایستگاه­های سینوپتیک منتخب استان اردبیل شامل اردبیل، خلخال، مشگین­شهر و پارس­آباد طی دوره آماری مشترک 225 ماهه در سال­های 1395-1375 استفاده شد. برای پیش­بینی کوتاه مدت بارش ماهانه (یک ماه بعد) سناریوهای مختلف بر اساس تأخیرهای بارش تعریف شد. نتایج بیانگر عملکرد قابل قبول و برتری مدل WANN با بیشترین ضریب تعیین (R2) وکمترین ریشه میانگین مربعات خطا (RMSE) برای همه ایستگاه­ها و به­ازای بهترین الگو در مرحله صحت­سنجی بود. مقادیر R2 و RMSE برای ایستگاه اردبیل به­ترتیب برابر 88/0 و 13/7 میلی­متر، ایستگاه خلخال برابر 91/0 و 03/6 میلی­متر، ایستگاه مشگین­شهر برابر 92/0 و 57/6 میلی­متر و برای ایستگاه پارس­آباد برابر 87/0 و 56/8 میلی­متر به­دست آمد. در همه ایستگاه­ها، اعمال سناریوی ترکیبی تأخیرهای بارش، کمینه و بیشینه دما توسط مدل برتر (مدل WANN) باعث بهبود جزئی نتایج مدل گردید اما هزینه محاسباتی مدل را نیز به مراتب افزایش داد. هم­چنین در همه ایستگاه­ها، اضافه شدن رطوبت نسبی و سرعت باد به­عنوان متغیرهای ورودی تا حدودی باعث کاهش عملکرد مدل شد. نتایج کلی پژوهش حاضر نشان داد که با استفاده از مدل WANN به همراه تأخیرهای مناسب بارش در مقیاس زمانی ماهانه، می­توان بارش ماهانه (ماه آینده) ایستگاه­های منتخب استان اردبیل شامل اردبیل، خلخال، مشگین­شهر و پارس­آباد را با دقت قابل قبول پیش­بینی نمود.}, keywords_fa = {: استان اردبیل,بارش ماهانه,تأخیرهای بارش,شبکه عصبی مصنوعی,موجک- عصبی}, url = {https://www.waterjournal.ir/article_110094.html}, eprint = {https://www.waterjournal.ir/article_110094_372397b1ff7d7f02b8bd05d01745ffdf.pdf} }