@article { author = {Farboudfam, Nima and Nourani, Vahid and Aminnejad, Babak}, title = {Spatial-temporal disaggregation of rainfall time series using wavelet-artificial neural network hybrid model}, journal = {Iran-Water Resources Research}, volume = {14}, number = {5}, pages = {490-495}, year = {2019}, publisher = {Iranian Water Resources Association}, issn = {1735-2347}, eissn = {2476-7360}, doi = {}, abstract = {The need to simulate rainfall time series at different time scales for engineering purposes on the one hand and lack of recording such parameters in small scales because of administrative and economic problems, on the other hand, rainfall time series disaggregation to the desired scale is an essential topic in water resources engineering. In this study, for disaggregating the Tabriz and Sahand rain gauges time series, according to nonlinear characteristics of time scales, wavelet-artificial neural network (WANN) hybrid model is proposed. For this purpose, daily data of four rain gauges and monthly data of six rain gauges from Urmia Lake Basin for ten years were decomposed with wavelet transform and then using mutual information and correlation coefficient criteria, the subseries were ranked and dominant subseries were used as input of ANN model for disaggregating the monthly rainfall time series to the daily time series. Results obtained by the WANN disaggregation model were also compared with the results of ANN and conventional multiple linear regression models. The efficiency of the WANN model with regard to ANN and multiple linear regression models at validation stage for Tabriz rain gauge shows increase up to 8.5% and 33% and for Sahand rain gauge shows increase up to 13.7% and 26% respectively. It was concluded that hybrid WANN model can be considered as an accurate model to disaggregate the hydro-climatological time series.}, keywords = {Rainfall Time series,disaggregation,Artificial Neural Networks,wavelet transform,Hybrid Model}, title_fa = {ریزمقیاس کردن مکانی – زمانی سری های زمانی بارش با استفاده از مدل ترکیبی موجک – شبکه عصبی مصنوعی}, abstract_fa = {با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک - شبکه عصبی مصنوعی (WANN) پیشنهاد شده است. برای این هدف داده های سری زمانی ماهانه شش ایستگاه و روزانه چهار ایستگاه بارش حوضه آبریز دریاچه ارومیه، برای 10 سال بوسیله تبدیل موجک به زیرسری های زمانی تجزیه شده و سپس با استفاده از معیارهای اطلاعات متقابل و ضریب همبستگی، زیرسری ها رتبه بندی شده و برای ریزمقیاس کردن سری زمانی ماهانه ایستگاه های تبریز و سهند به روزانه، زیرسری های برتر به عنوان داده های ورودی به مدل شبکه عصبی مصنوعی (ANN) وارد شد. نتایج بدست آمده از مدل WANN، با نتایج حاصل از کاربرد ANN و روش کلاسیک رگرسیون چند متغیره خطی، مقایسه شد. در مجموع نتایج مدل WANN نسبت به مدل های ANN و رگرسیون چند متغیره خطی برای اعتبارسنجی در حالت بهینه ایستگاه تبریز به ترتیب 8.5% و 33% و در حالت بهینه ایستگاه سهند، به ترتیب 13.7% و 26% افزایش نشان داد. لذا ملاحظه گردید که روش WANN نسبت به دو روش دیگر، دقت بالاتری داشته و به عنوان روشی مناسب جهت ریزمقیاس کردن پارامتر های هیدروکلیماتولوژیکی پیشنهاد می گردد.}, keywords_fa = {سری های زمانی بارش,ریزمقیاس کردن,شبکه های عصبی مصنوعی,تبدیل موجک,مدل ترکیبی}, url = {https://www.iwrr.ir/article_48377.html}, eprint = {https://www.iwrr.ir/article_48377_5c96306d270b550fdd6218d2ed169695.pdf} }