@article { author = {Rostami, M. and Fakheri-Fard, A. and Ghorbani, M. A. and Darbandi, S. and Dinpajoh, Y.}, title = {River Flow Forecasting using Wavelet Analysis}, journal = {Irrigation Sciences and Engineering}, volume = {35}, number = {2}, pages = {73-81}, year = {2012}, publisher = {Shahid Chamran University of Ahvaz}, issn = {2588-5952}, eissn = {2588-5960}, doi = {}, abstract = {In the last two decades, researchers have been more interested in river flow forecasting by means of nonlinear models, Genetic Programming, Time-Series, Wavelet Analysis, etc.included. Wavelet transform by decomposition of signals into time and frequency, same as Fourier analysis has presented a new method for signal processing. Meyer discrete wavelet was used for prediction of average monthly Lighvan-Chai river flow, using 90% of data for testing. The results revealed that 10 levels was the most appropriate number of levels, the best monthly forecasting horizon was 12 months and the correlation coefficient between observed and anticipated ones was 0.92 at Lighvan station and 0.91 at Hervi station. Moreover, in time series, ARIMA ((1,0,1),(1,1,1))12 had the best results with correlation coefficient 0.87 at Lighvan station and 0.93 at Hervi station. According to data, time series has analyzed peak points better than the other one. Overall, with attention to correlation coefficients and  attention to that complex series change into simple series with wavelet transform that series had analyzed easier, so wavelet transform is more proper than time series.}, keywords = {Forecasting,Wavelet Analysis,river flow,Time series,Lighvan Chai}, title_fa = {بررسی کاربرد آنالیز موجک در پیش بینی دبی رودخانه}, abstract_fa = {در دو دهه اخیر استفاده از مدل های غیرخطی در تخمین دبی رودخانه ها مورد توجه محققان واقع شده است که از آن جمله می­توان به مدل شبکه های عصبی مصنوعی، برنامه­ریزی ژنتیک، سری های زمانی، تبدیل موجک و ... اشاره نمود. تبدیل موجک از طریق تجزیه امواج به زمان و مقیاس همچون روش آنالیز فوریه شیوه نوینی را برای پردازش موج ارائه می دهد. در تبدیل موجک از موجک گسسته میر برای برآورد جریان متوسط ماهانه رودخانه لیقوان چای استفاده شد. 90 درصد داده ها برای مدل سازی به کار رفت. نتایج نشان داد مناسب ترین سطح تجزیه سری داده ها10 سطح می باشد. بهترین افق پیش بینی ماهانه با توجه به گام های زمانی یک ماهه، 12 ماه است. ضریب همبستگی بین داده های مشاهداتی و برآورد شده در ایستگاه لیقوان 92/0 و در ایستگاه هروی 91/0 به دست آمد. در روش سری های زمانی با توجه به معیارهای موجود، مدل ARIMA(1,0,1),(1,1,1)12 بهترین نتایج را در بر داشت و ضریب همبستگی 87/0 برای داده های ایستگاه لیقوان و 93/0 برای داده های ایستگاه هروی به­دست آمد. سری زمانی، نقاط پیک سری را بهتر تحلیل کرده و مقادیر برآورد شده نزدیک به مقادیر مشاهداتی بود. در نهایت با توجه به ضریب همبستگی دو روش و همچنین با توجه به اینکه تبدیل موجک از طریق تجزیه سری، سری پیچیده را تبدیل به سری ساده می کند که با این کار تحلیل سری راحت تر صورت می گیرد، روش تبدیل موجک مناسب تر تشخیص داده شد. }, keywords_fa = {آنالیز موجک,پیش بینی,جریان رودخانه,سری های زمانی,لیقوان ای}, url = {https://jise.scu.ac.ir/article_10512.html}, eprint = {https://jise.scu.ac.ir/article_10512_c8bfead2444f9969228b06531447083e.pdf} }