طاهر رجائی - استادیار گروه مهندسی عمران،دانشگاه قم
محمد ذونعمت کرمانی - استادیار گروه مهندسی آب،دانشگاه شهید باهنر کرمان
سالار خانی امینجان - دانشجوی دکتری سازه های هیدرولیکی،دانشگاه قم

مطالعه حاضر به منظور ارزیابی کارآیی مدل هیبرید شبکه عصبی - موجک (WANN) برای پیش بینی هدایت الکتریکی آب رودخانه ها انجام گرفت. برای انجام این تحقیق سری زمانی روزانه داده های دبی (Q) و هدایت الکتریکی(EC) رودخانه Medina واقع در San Antonio ایالت تگزاس آمریکا بین سال های 2008 ‏تا 2010 ‏مورد استفاده قرار گرفت. پس از تحلیل نتایج همبستگی بین پارامترهای EC با Q و تاخیرات 1 ‏تا 4 ‏روز ه ‏Q و نیز بین EC با تاخیرات 1 تا 4 ‏روزه EC ترکیبات مختلف ورودی برای پیش بینی هدایت الکتریکی یک روز آینده ‏ایجاد شد. مدل سازی با روش رگرسیون خطی (MLR) و نیز شبکه عصبی مصنوعی(ANN) انجام گرفت. شبکه عصبی مورد استفاده در این تحقیق از نوع پرسپترون سه لایه پیشخور پس انتشار خطا با الگوریتم لونبرگ-ماکوآرت انتخاب شد. در ادامه برای پیش بینی هدایت الکتریکی یک روز آینده ‏مدل هیبرید شبکه عصبی - موجک(WANN ) به کار گرفته شد. برای تجزیه سری زمانی داده های دبی و هدایت الکتریکی از تابع موجک دابیچز 2 ‏استفاده شده و تجزیه در سه تراز انجام گرفت. به منظور مقایسه نتایج مدل هایWANNو ANN ،MLR ضریب تبیین (NS)، جذر میانگین مربعات خطا ( RMSE) و میانگین قدرمطلق خطا (MAE) مدل ها محاسبه شد. مقدار ضریب تبیین برای مدل های مذکور به ترتیب برابر 0/742 ‏، 0/737 ‏و 0/863 ‏محاسبه شد. جذر میانگین مربعات خطای مدل ها نیز به ترتیب برابر 25/53 ‏، 25/78 ‏و 18/58 ‏بود. مشاهده شد که استفاده از موجک عملکرد شبکه عصبی در پیش بینی هدایت الکتریکی یک روز آینده را به مقدار قابل توجهی بهبود داد. همچنین مقایسه نتایج ترکیبات مختلف ورودی نشان داد که استفاده از دبی و هدایت الکتریکی روز جاری میزان هدایت الکتریکی یک روز آیند. را با دقت بهتری پیش بینی کرده است.

هدایت الکتریکی، رگرسیون خطی، شبکه عصبی، موجک، رودخانه Medina