بهبود عملکرد مدل شبکۀ عصبی مصنوعی با کمک تبدیل موجک و روش PCA برای مدل‌سازی و پیش‌بینی اکسیژن مورد نیاز بیولوژیکی (BOD)

در دهه‏های اخیر، توسعۀ مدل‏های هوش مصنوعی برای پیش‌بینی پدیده‏های هیدرولوژیکی کاربرد زیادی پیدا کرده است. در این مطالعه، توانایی مدل‏های شبکۀ عصبی مصنوعی به‌منظور مدل‏سازی و پیش‏بینی اکسیژن مورد نیاز بیولوژیکی (BOD) در رودخانۀ کارون واقع در غرب کشور ایران ارزیابی شد. به‌منظور بهبود نتایج شبیه‏سازی از آنالیز موجک به‌عنوان مدل ترکیبی استفاده شد. سری زمانی ماهانۀ شاخص BOD رودخانۀ کارون در ایستگاه ملاثانی به‌مدت 13سال‌ (1381‌ـ 1393) و با استفاده از متغیرهای کمکی اکسیژن محلول (DO)، جریان رودخانه و دمای ماهانه شبیه‏سازی شد. بهترین ورودی مدل‏های به‌کار گرفته‌شده با استفاده از روش تجزیه و تحلیل مؤلفه‏های اصلی (PCA) انتخاب شد. برای ارزیابی و مقایسۀ عملکرد مدل‏ها از جذر میانگین مربعات خطا (RMSE)، ضریب تعیین (R2) و معیار اطلاعاتی آکائیک (AIC) استفاده شد. نتایج به‌دست‌آمده بیانگر آن بود که شبکۀ عصبی مصنوعی میزان خطای 0412/0 و ضریب تعیین 76/0 دارد و اعمال تبدیل موجک روی داده‏های ورودی مدل، سبب بهبود نتایج تا ضریب تعیین 89/0 و میزان خطای 0273/0 شد.