پیش بینی پارامترهای کیفی (NO3 ,CL) رودخانه کرج با استفاده از مدل های ترکیبی شبکه عصبی-موجکی، ANN وMLR

آب و خاک

مقاله 2، دوره 30، شماره 1 - شماره پیاپی 45، اردیبهشت 1395، صفحه 15-29   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.33851

نویسندگان

طاهر رجایی^* ؛ رقیه رحیمی بنماران

دانشگاه قم

چکیده

کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تأمین کننده آب از اهمیت بسزایی برخوردار است. پیش بینی پارامترهای کیفی آب، ابزاری سودمند در جهت مدیریت منابع آب می باشد. در این تحقیق، عملکرد مدل‌های شبکه عصبی مصنوعی (ANN)، مدل ترکیبی شبکه
عصبی–موجک (WANN) ورگرسیون خطی چند متغیره (MLR)، در پیش بینی یک ماه آینده یون نیترات و کلراید ایستگاه ورودی آبگیر بیلقان واقع در رودخانه کرج، مورد ارزیابی قرار گرفت. برای این منظور از یک دوره آماری جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و کلراید) توسط آنالیز موجک در سطوح مختلف تجزیه شده و به عنوان ورودی ANN به کار گرفته شد. کارایی مدل ها با ضریب تببین (E) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شدند. نتایج حاکی از دقت بالای مدل ترکیبی شبکه
عصبی- موجکی نسبت به دو مدل دیگر بوده است؛ به‌طوریکه 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 13/30 درصد و 89/71 درصد و برای یون کلراید، به اندازه 3/31 درصد و 1/57 درصد بهبود بخشد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی بررسی شد که مدل ترکیبی WANNپیش بینی بهتری را در مقایسه با دو مدل دیگر در برداشت.

کلیدواژه‌ها

تبدیل موجک؛ رگرسیون خطی؛ رودخانه کرج؛ شبکه عصبی؛ یون نیترات و کلراید

مراجع

1- Adamowski J., and Chan F.H. 2011. A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(1- 4): 28–40.

2- Adamowski J., and Sun K. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non- perennial rivers in semi- arid watersheds. Journal of Hydrology, 390 (1-2): 85-91.

3- Cannas B., Fanni A., Sias G., Tronei S., and Zedda M.K. 2005.River flow forecasting using neural networks and wavelet analysis. European Geosciences Union, Vienna: Austria, 7: 24–29.

4- Dastorani M.T., Azimi Fashi K.H., Talebi A., and Ekhtesasi M.R. 2012. Estimation of Suspended Sediment Using Artificial Neural Network (Case Study: JamishanWatershed in Kermanshah). Journal of the Watershed Management Resaerch, 3(6):61-74. (in Persian with English Abstract)

5- Eynard J., Grieu S.P., and Polit M. 2011.Wavelet-based multi-resolution analysis and artificial neural networks for forecasting temperature and thermal power consumption.Engineering Applications of Artificial Intelligence, 24:501-516.

6- Fernando A.K., and Kerr T. 2003.Runoff forecasting with artificial neural network model.The 3rd Pacific Conference on stormwater and aquatic resource protection,14-16 May 2003, Auckland, NZ.

7- Han J.G., Ren W.X., and Sun Z.S. 2005. Wavelet packet based damage identification of Beam structures. International. Journal of Solids and Structures, 4: 6610-6627.

8- Heydarizad M., and Mohammadzadeh H. 2012. Investigation of Seasonal and Spatial Variation of Hydrochemical Parameters in Karde River (North of Mashhad). Journal of Water and Soil, 26(5):1161-1170 (in Persian with English Abstract).

9- Imrie C.E., Durucan S., and Korre A. 2000. River flow prediction using artificial neural networks: generalisation beyond the calibration range. Journal of Hydrology, 233(1-4):138-153.

10- Kashefiolasl M., and Zaeimdar M. 2009. Necessity of quality management Jajrood River. Journal of Environmental Science and Technology, 11(2):120-129. (in Persian)

11- Kim T.W., and Valdes J.B. 2003. Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks. Journal of Hydrology Engineering, ASCE, 8(6):319–28.

12- Kisi O. 2004. Multi-layer perceptrons with Levenberg–Marquardt training algorithm for suspended sediment concentration prediction and estimation. Hydrological Sciences Journal, 49(6):1025–1040.

13- Makhdoum M. 2005. Living in the environment. Tehran: Tehran University Publishings. (in Persian)

14- May D., and Sivakumar M. 2008. Comparision of artificial neural network and regression models in the prediction of urban stormwater quality. Water Environment Research; Water Environment Research, 80(1):4-9.

15- Najah A., El-shafie A., and Karim O.A. 2009.Prediction of Johor River Water Quality Parameters Using Artificial Neural Networks. European Journal of Scientific Research, 422-435.

16- Najah A., El-Shafie A., Karim O.A., Jaafar O., and El-Shafie A.H. 2011. An application of different artificial intelligences techniques for water quality prediction. Journal of the Physical Sciences, 6(22): 5298-5308.

17- Nayak P.C., SatyjiRao Y.R., and Sudheer K.P. 2006.Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 20:77-90.

18- Nourani V., Hasanzade Y., Komasi M., and Sharafi A. 2008.Modeling of rainfall - runoff by using wavelet – neural network model.4th National Congress on Civil Engineering.University of Tehran (in Persian).

19- Nourani V., Komasi M., and Mano A. 2009.A multivariate ANN-Wavelet approach for rainfall runoff modeling. Water Resources Management, 23: 2877-2894.

20- Noshadi A., Salemi H., and Ahmadzade M. 2007. Simulation and prediction of some water quality parametersin the Zayanderoud River using artificial neural networks. Journal of the Water and the Wastwater, 64(18):49-65. (in Persian)

21- Palani S., Liong Sh., and Tkalich P. 2008. An ANN application for water quality forecasting. Marine Pollution Bulletin, 56:1586–1597.

22- Rajaee T., NouraniV., Zounemat K.M., and Kisi O. 2011. River suspended sediment load prediction: application of ANN and wavelet conjunction model. Journal of Hydrology Engineering, ASCE, 16(8):613-627.

23- Rajaee T. 2011. Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers. Science of the Total Environment, 409:2917–2928.

24- Safavi H.R. 2010. Prediction of river water quality by adaptive neuro fuzzy inference system (ANFIS). Journal of the Environmental Studies,36(53):1-10. (in Persian)

25- Singh K. P., Basant A., Malik A., and Jain, G. 2009. Artificial Neural Network modelling of the river water quality-A case study. Journal of Ecological Modeling, 220:888-895.

26- Singh R.M. 2012. Wavelet-ANN model for flood events, Advances in Intelligent and Soft Computing, 131: 165-175.

27- Taebi A., and Vashtani M. 2000. Prediction the quality of urban runoff: Methods and Selected Model. Journal of the College of the Engineering,11(2):41-48. (in Persian)

28- Toufani P., Mosaedi A., and Fakheri Fard A. 2011. Prediction of Precipitation Applying Wavelet Network model (Case study: Zarringol stati on, Golestan province, Iran). Journal of Water and Soil, 25(5):1217-1226. )in Persian with English abstract)

29- Wen X., Fang J., Diao M., and Zhang C. 2012. Artificial Neural Network modeling of DissolvedOxygen in the Heihe River, Northwestern China. Environ Monit Assess, 185(5):4361-4371.