مدل سازی پارامترهای کیفی (bod, do) رودخانه ها با استفاده از مدل تلفیقی شبکه عصبی مصنوعی و تئوری موجک

کیفیت آب¬های سطحی یک عامل موثر در سلامتی انسان و سیستم¬های زیست محیطی، به خصوص در مناطق شهری می¬باشد. چون رودخانه¬ها با عبور از شهر¬ها بسیاری از آلاینده¬های رها شده از فاضلاب¬های خانگی و صنعتی و پساب¬های کشاورزی را دریافت می¬کنند. بنابراین، وجود اطلاعات قابل اعتماد در مورد روند کیفیت آب، برای مدیریت آب موثر است. در مناطق نیمه¬خشک مانند ایران که با مشکلات کمبود آب به ویژه در مناطق پرجمعیت (به علت رشد سریع جمعیت) روبرو می¬باشد، مدیریت آب ضرورت بیشتری می¬یابد. در سال¬های اخیر ، به منظور افزایش دقت پیش¬بینی¬های هیدرولوژیکی، برخی از مدل¬های ترکیبی پیشنهاد شده است. این روش¬های جدید از ترکیب ویژگی محلی¬سازی تبدیل موجک و توانایی خود یادگیری شبکه¬های عصبی استفاده می¬کند. تبدیل موجک یک ابزار ریاضی می¬باشد که اطلاعات پنهان سری¬های زمانی را آشکار می¬کند و نمایشی کوتاه¬تر از داده¬های اصلی سری¬های زمانی را فراهم می¬کند. تحقیق حاضر یک کاربرد جدید از ترکیب شبکه عصبی و موجک می¬باشد که از سیگنالی چندمقیاسه برای پیش¬بینی پارامترهای کیفی آب رودخانه¬ها استفاده می¬کند. در تحقیق حاضر، یک روش جدید بر مبنای ترکیب موجک و شبکه عصبی، که ویژگی¬های فضایی و زمانی سری¬های زمانی کیفیت آب را درنظر می¬گیرد، پیشنهاد می¬شود. مدل¬های مطالعه شده در این تحقیق، عبارتند از: مدل شبکه عصبی اتورگرسیو غیرخطی، شبکه عصبی – موجک (جمع زیرسری¬های موثر – تأخیر زیرسری¬ها – زیرسری¬ها)، رگرسیون خطی چندمتغیره و ترکیب موجک و رگرسیون خطی. نتایج این تحقیق نشان داد که عملکرد مدل¬های شبکه عصبی به ویژه مدل جمع زیرسری¬های موثر بهتر از دیگر مدل¬ها می¬باشد. علاوه بر این، مدل¬های هوشمند بخوبی توانستند پدیده هیسترزیس را در پارامترهای سولفات و نسبت جذب سدیم شبیه¬سازی کنند، درحالیکه روش¬های خطی در شبیه¬سازی آن ناتوان بودند.