مقایسه مدل های Wavelet-MLP و Wavelet-GMDH در پیش بینی هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) در رودخانه زاینده رود

سابقه و هدف: افزایش تقاضای آب و گسترش آلودگی منبع ­های آب در اثر افزایش فعالیت های کشاورزی، شهری و صنعتی موجب ایجاد مشکل­ های محیط زیستی در بسیاری از منطقه ­های جهان شده است. افزایش قابل توجه بار آلودگی و گوناگونی آلاینده ها ی مختلف شهری، کشاورزی و صنعتی نیاز به مدیریت تلفیقی کمی و کیفی سیستم های منبع­ های آب را بیش از پیش ضروری ساخته است. پیش بینی های دقیق کوتاه مدت و بلند مدت پارامتر های کیفی رودخانه بویژه برای طراحی ساز ه های هیدرولیکی، برنامه ریزی آبیاری، بهره برداری بهینه از مخازن و برنامه ریزی محیطی ضروری است. با توجه به ویژگی­های تصادفی بودن رخدادهای هیدرولوژیکی، پیش بینی وضعیت آینده آب های سطحی همیشه با نبود قطعیت هایی همراه است. هدف پژوهش حاضر، بررسی عملکرد دو نوع شبکه عصبی مصنوعی MLP و GMDH بصورت تکی و همراه با تبدیل موجک گسسته (DWT۱) برای پیش بینی دو پارامتر کیفی مهم هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) در ایستگاه هیدرومتری زمانخان رودخانه زاینده رود در ۱، ۲ و ۳ ماه آینده است. مواد و روش ها: در پژوهش حاضر، داده های کیفیت آب رودخانه زاینده رود در ایستگاه زمانخان در طول سال های ۱۳۶۳ الی ۱۳۸۴ مورد استفاده قرار گرفت. از مجموع ۲۲ سال داده، ۱۵ سال ( کمابیش ۷۰ درصد) برای آموزش و ۷ سال ( ۳۰ درصد) برای آزمون مدل های توسعه داده شده مورد استفاده قرار گرفتند. دو نوع موجک مادر dmey و db۴ مورد ارزیابی قرار گرفتند همچنین پارامترهای آماری نظیر RMSE و R۲ برای بررسی عملکرد مدل ها مورد استفاده قرار گرفتند. نتایج و بحث: نتایج نشان داد که استفاده از تبدیل موجک گسسته موجب بهبود عملکرد مدل ها شده است. ترکیب های مختلفی از داده های ورودی (تاخیرهای مختلف) و دو نوع موجک های مادر مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های ترکیبی موجک-MLP  و موجک- GMDH در هر دو پارامتر کیفی EC و SAR در بازه های مورد پیش بینی نسبت به مدلهای تکی MLP و GMDH دارای توانایی و دقت بالاتری در پیش بینی می باشند. نتایج مدل های بدون تبدیل موجک تنها در پیش بینی SAR یک ماه بعد عملکرد خوبی داشتند و قادر به پیش بینی های دو و سه ماه بعد نبودند. در پارامتر EC، مدل­های MLP و GMDH دارای عملکرد بهتری بودند. همچنین نتایج نشان داد که استفاده از تاخیرهای زمانی سالانه موجب افزایش دقت نمی شود و در برخی موارد حتی سبب کاهش دقت نیز می گردد. بررسی انواع موجک های مادر نیز نشان داد که موجک dmey مناسبترین نوع موجک برای پیش بینی پارامترهای کیفی EC و SAR می باشد. مقایسه دو مدل موجک-MLP و موجک- GMDH  نشان دهنده برتری نسبی مدل موجک-MLP  بود. با افزایش بازه پیش بینی از ۱ ماه تا ۳ ماه آینده دقت مدل­ها کاهش پیدا کرد. این کاهش دقت در پیش بینی پارمتر SAR بیشتر بود، بطوریکه R۲ در پیش بینی ۱ ماه بعد SAR برابر ۹۳۶/۰ و در پیش بینی ۳ ماه بعد به ۵۱۶/۰ کاهش یافت. در پارامتر EC نیز R۲ در پیش بینی ۱ ماه بعد تا ۳ ماه بعد از ۹۸۱/۰ به ۶۴۱/۰ کاهش یافت. نتیجه گیری: نتایج تحقیق حاضر می تواند بعنوان مبنایی برای برنامه ریزی های آینده در مورد کیفیت آب مصرفی باشد. پیشنهاد می شود مدل بیان شده در پژوهش حاضر در دیگر رودخانه های کشور نیز مورد بررسی قرار گیرد. همچنین ترکیب دیگر مدل های هوشمند نظیر ANFIS و SVM با تبدیل موجک نیز می توانند مورد بررسی و ارزیابی قرار گیرند.

کلیدواژه ها:

پارامترهای کیفی آب ، پیش بینی ، موجک ، هوش مصنوعی