طاهر رجایی - Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran
رقیه رحیمی بنماران - Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran
حمیده جعفری - Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran

زمینه و هدف: پیش بینی و کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تامین کننده آب مورد نیاز شهر تهران، از اهمیت بسزایی برخوردار است. در این تحقیق، عملکرد مدل های شبکه عصبی (ANN)، مدل ترکیبی شبکه عصبی – موجک (WANN) و رگرسیون خطی چند متغیره (MLR)، برای پیش بینی یک ماه آینده یون نیترات و اکسیژن محلول ایستگاه پل خواب واقع در رودخانه کرج، مورد ارزیابی قرار گرفت. روش بررسی: از یک دوره آماری ۱۱ ساله جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و اکسیژن محلول) توسط آنالیز موجک تجزیه شدند؛ سپس مجموع سری های زمانی موثر آنها به عنوان ورودی ANN به کار گرفته شد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی که دارای اهمیت بسزایی هستند، بررسی شد. کارایی مدل ها با ضریب تببین یا نش(E) و ریشه میانگین خطای مربع (RMSE) ارزیابی شدند. یافته ها: نتایج، حاکی از دقت و توانایی بالای مدل هیبرید شبکه عصبی- موجکی با رویکرد حذف نویزهای سری زمانی نسبت به دو مدل دیگر بوده است؛ بطوریکه مدل ترکیبی شبکه عصبی– موجکی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبکه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار% ۳۵/۶۰ و %۷۵/۹۳ و برای یون اکسیژن محلول، به اندازه %۴۰/۵۷ و %۶۰/۱۳ بهبود بخشد. نتیجه گیری: به لحاظ قابلیت بالای شبکه عصبی موجکی و حذف نویزهای سری های زمانی در پیش بینی پارامترهای کیفی آب رودخانه، این مدل می تواند، راهکاری مناسب و سریع در مدیریت برتر کیفیت منابع آب و اطمینان از نتایج پایش کیفی و کاهش هزینه های آن مطرح شود.

Karaj river, Neural Network, Wavelet analysis, Nitrate and Dissolved Oxygen ions, Denoising, رودخانه کرج, شبکه عصبی, تبدیل موجک, یون نیترات و اکسیژن محلول, نویززدایی