تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض
التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات
العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية
لثلاثة أشهر (كانون الأول، كانون الثاني،
شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني
مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام
نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها
على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة
الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء
(RMSE) و معامل الارتباط (R).
يُعدُّ تقييم موارد المياه السطحية من المدخلات الضرورية لحل قضايا إدارة المياه، و التي تتضمن إيجاد علاقة بين الأمطار و الجريانات السطحية، و تعتبر هذه العلاقة على درجة عالية من التعقيد، حيث أن الأمطار من أهم العوامل التي تؤثر بشكل كبير على جريان الأنها
ر، و عملية التنبؤ بهذه الجريانات يجب أن تأخذ هذا العامل بعين الاعتبار، و بكثير من الاهتمام و الدراسة، و تعتبر الشبكات العصبية الصنعية من أهم الطرائق الحديثة من حيث دقة نتائجها في الربط بين هذه العوامل المتعددة و البالغة التعقيد. و من أجل التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين في اللاذقية، موضوع بحثنا، تم تطبيق نماذج مختلفة من الشبكات العصبية الصنعية (ANN)، كانت مدخلاتها تدفقات سابقة للأمطار و الجريانات.
قسمت مجموعة البيانات للفترة الممتدة بين عامي (2006-2012) إلى مجموعتين: تدريب و اختبار، و قد تم معالجة البيانات قبل إدخالها إلى الشبكة العصبية باستخدام تقنية تحويل المويجات المتقطع، للتخلص من مشاكل القيم العظمى و القيم الصفرية، حيث حللت السلاسل الزمنية إلى ثلاثة مستويات من الدقة و استخدمت السلاسل الفرعية الناتجة كمدخلات للشبكة العصبية أمامية التغذية التي تعتمد على خوارزمية الانتشار العكسي لتدريبها.
أشارت النتائج إلى أن الشبكة العصبية ذات الهيكلية (1-2-6) نموذج Wavelet-ANN، هي الأفضل في تمثيل الظاهرة المدروسة و الأقدر على التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين ليوم واحد قادم، حيث بلغ معامل الارتباط و جذر مربع متوسط الخطأ (R2=0.96، RMSE=1.97m3/sec)، على الترتيب.
التنبّؤ بالطقس و خاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً و أهمية، و التي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة و متعددة من الخبرات.
في هذه الورقة، أقترح نموذج الشبكات العصبي
َّة (ANNs) مع تحويل المويجات كأداة للتنبؤ بالأمطار الشّهرية بشكل متتالي بالاعتماد على البيانات السابقة لهطول الأمطار (1933-2009)، المأخوذة من محطة حمص للأرصاد الجوية. حيث تم تحليل السلسلة الزمنية للأمطار إلى معاملاتها التفصيلية و التقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع (Discrete Wavelet Transform (DWT، و استخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم و التنبّؤ.
توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1-8-8-8-5)، قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بمعامل تحديد وجذر متوسط مربعات الأخطاء (7.74mm,0.98) على الترتيب.
تقدم تقنية تحويل المويجات ميزة مفيدة قائمة على تحليل البيانات، مما يحسن من أداء النموذج، و تطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى.
التعرف على الأشخاص باستخدام بصمة اليد يلقى الكثير من الاهتمام بالتزامن مع الحاجة إلى تقنيات جديدة ترفع من مستوى الأمان. في هذه الدراسة تم اقتراح تقنية جديدة للتعرف على الأشخاص عن طريق بصمة اليد و ذلك من خلال استخلاص السمات من معاملات التحويل المويجي
لصور راحة اليد بالاعتماد على فكرة التقاطعات الصفرية (عدد مرات التقاطع مع القيمة صفر). حيث تم إيجاد التحويل المويجي عند المستوى الرابع لكامل صورة اليد و الذي نتج عنه أربع مصفوفات، ثلاث مصفوفات تفاصيل (أفقية – شاقولية- قطرية) و مصفوفة تقريبات و تم الاعتماد على مصفوفات التفاصيل دون التقريبات لأن المعلومات التي نحتاجها (خطوط و منحنيات اليد) محتواة في مصفوفات التفاصيل. بعد ذلك تم استخلاص ستة عشر معامل (سمة ) من كل مصفوفة تفاصيل و ترتيب هذه السمات ضمن شعاع واحد ليتشكل شعاع السمات المستخلص من كل عينة من عينات اليد و المكون من ثمان و أربعين (48) سمة و الذي تم استخدامه كدخل للشبكة العصبونية المستخدمة. تم خلال هذه الدراسة بناء قاعدة بيانات مكونة من 400 صورة لراحة اليد عائدة لأربعين شخص بمعدل 10 صور لكل شخص. حيث أظهرت الاختبارات العملية أن النظام المصمم نجح في التعرف بمعدل 91.36%.
