تخمین برخی پارامترهای کیفی رودخانه ها با استفاده از مدل هیبرید شبکه های عصبی- موجکی (منطقه مطالعاتی: رودخانه جاجرود تهران و قره سو کرمانشاه)

زمینه و هدف: رودخانه ها مهم ترین منابع تامین آب آشامیدنی، کشاورزی و صنعت به شمار می آیند و به علت اینکه از بسترها و مناطق مختلفی می گذرند و در ارتباط مستقیم با محیط پیرامون خود هستند نوسانات کیفی زیادی دارند. از این رو بررسی و تخمین تغییرات پارامترهای کیفی آب در طول یک رودخانه بایستی مورد توجه قرار گیرد. در این تحقیق از یک مدل تلفیقی موجکی و شبکه عصبی مصنوعی، جهت تخمین برخی از پارامترهای کیفی آب (کل جامدات محلول، هدایت الکتریکی و نسبت جذبی سدیم) رودخانه های جاجرود تهران و قره سو کرمانشاه طی یک دوره آماری ۲۴ ساله استفاده شده است. روش بررسی: در تحقیق حاضر، با استفاده از توان بالای موجک در شناسایی سیگنال ها و جداسازی سیگنال های خطا در ترکیب با شبکه عصبی برای تخمین پارامترهای کیفی آب رودخانه های مذکور مدل شبکه عصبی موجکی مورد تجزیه و تحلیل قرار گرفت و با مدل شبکه عصبی مصنوعی مقایسه گردید. ارزیابی این دو مدل توسط معیارهای آماری ضریب همبستگی (r)، ضریب کارایی نش- ساتکلیف (NS)، ریشه مربع میانگین خطا (RMSE) و میانگین قدر مطلق خطا (MAE) انجام پذیرفت. یافته ها: نتایج برآمده از تحقیق نشان داد که مدل بهینه شبکه عصبی موجکی با ضریب همبستگی بالای ۹/۰ قابلیت بالایی در تخمین پارامتر SAR در ایستگاه های مورد مطالعه دارد. همچنین در مورد پارامترهای EC و TDS دقت بالا و میزان خطای پایین مدل توسعه یافته عصبی موجک نسبت به مدل شبکه عصبی مصنوعی مشهود بود. نتیجه گیری: با توجه به کارایی بالای شبکه عصبی موجکی در پیش بینی پارامترهای کیفی آب رودخانه ها می توان از این مدل جهت اتخاذ تصمیمات مدیریتی و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

Keywords:

Jajroud River of Tehran , Gharaso River of Kermanshah Total Dissolved Solids , Wavelet Artificial Neural Network , Sodium Absorption Rate , Electrical Conductivity , رودخانه جاجرود تهران , رودخانه قره سو کرمانشاه , کل جامدات محلول , شبکه عصبی موجکی , نسبت جذبی سدیم , هدایت الکتریکی