مدل‌سازي جامدات محلول با استفاده از روش‌هاي هيبريدي محاسبات نرم (مطالعۀ موردي: حوضۀ آبريز نازلوچاي)

Moldeling Of Dissolved Solids By Using Hybrid Soft Computing Methods (Case Study: Nazluchay Basin)

رودخانه ها اهميت بسيار زيادي در تأمين آب آشاميدني و كشاورزي دارند. در اين مطالعه، قابليت روشهاي منفرد و هيبريدي‌ـ موجكي شبكه هاي عصبي، سامانۀ استنتاجي عصبي‌ـ فازي تطبيقي و برنامه ريزي بيان ژن براي مدل‌سازي ميزان جامدات محلول حوضۀ آبريز نازلوچاي ارزيابي شدند. به اين منظور از داده هاي كيفيت آب با طول دورۀ آماري 19 ساله (1372-1390)، چهار ايستگاه هيدرومتري واقع در حوضۀ آبريز نازلوچاي استفاده شد. پس از بررسي صحت داده ها و ايستگاه هاي منتخب، با استفاده از تبديل موجك دابچيز نوع چهارم، سيگنالهاي داده هاي مربوط به آن آناليز شد. در مدل‌سازي از 80 درصد داده ها براي آموزش و 20 درصد داده ها براي آزمون مدلها استفاده شده است. ارزيابي عملكرد مدل هاي به‌كار‌رفته بر اساس آزمون هاي آماري مختلف، ضريب همبستگي، ريشۀ ميانگين مربعات خطا و ميانگين قدر مطلق خطا انجام گرفت. نتايج بيان‌كنندۀ عملكرد قابل قبول همۀ روش هاي منفرد و هيبريدي‌ـ موجكي شبكۀ عصبي مصنوعي، سامانۀ استنتاجي عصبي‌ـ فازي تطبيقي و برنامه ريزي بيان ژن براي مدل‌سازي ميزان جامدات محلول در حوضۀ آبريز نازلوچاي است؛ ولي به‌ترتيب اولويت WGEP، GEP، WANFIS، ANFIS-SC،WANN، ANFIS-GP و ANN عملكرد بهتري دارند. همچنين مدل هيبريدي برنامهريزي بيان ژن‌ـ موجكي با داشتن كمترين ميزان RMSE به مقدار 21/087 بهترين عملكرد را در بين ساير مدل هاي منفرد و هيبريدي دارد.

Rivers has important roles in providing drinking and agricultural water supply. In this study, single and hybrid-wavelet methods of artificial neural networks, adaptive neuro fuzzy inference system and Gene expression programming were validated total dissolved solids modelling of Nazluchay Basin. Therefore, water quality data with 19 years length (1993-2011), four hydrometric stations at Nazluchay Basin, were used. After validating of data and selected stations, the data were analyzed by using Daubechies-4 wavelet transform. For modelling 80% of data for training and 20% of data for testing of the model were used. The evaluation of models performance is applied based on different statistical tests, correlation coefficient, and mean root of error squares and mean absolute error. The results indicate acceptable performance of all single and hybrid-wavelet methods of artificial neural networks, adaptive neuro fuzzy inference system and Gene expression programming for modeling the total dissolved solids in the Nazluchay basin. Based on WGEP, GEP, WANFIS, ANFIS-SC, WANN, ANFIS-GP and ANN have best performance, respectively. In addition Gene expression programming-wavelet hybrid model with the minimum RMSE amounted 21.078 has best performance compared with other single and hybrid models.