تخمين برخي پارامترهاي كيفي رودخانه‌ها با استفاده از مدل هيبريد شبكه‌هاي عصبي- موجكي (منطقه مطالعاتي: رودخانه جاجرود تهران و قره‌سو كرمانشاه)

Forecasting Some of the Qualitative Parameters of Rivers Using Wavelet Artificial Neural Network Hybrid (W-ANN) Model )Case of study: Jajroud River of Tehran and Gharaso River of Kermanshah)

زمينه و هدف: رودخانه‌ها مهم‌ترين منابع تأمين آب آشاميدنی، كشاورزی و صنعت به شمار مـی‌آينـد و به‌علـت اينكه از بسترها و مناطق مختلفی می‌گذرند و در ارتباط مستقيم با محيط پيرامون خود هـستند نوسـانات كيفـی زيادی دارند. از اين‌رو بررسی و تخمين تغييرات پارامترهای كيفی آب در طول يك رودخانه بايستی مـورد توجـه قرار گيرد. در اين تحقيق از يك مدل تلفيقی موجكی و شبكه عصبی مصنوعی، جهت تخمين برخی از پارامترهای كيفی آب (كل جامدات محلول، هدايت الكتريكی و نسبت جذبی سديم) رودخانه‌های جاجرود تهران و قره‌سو كرمانشاه طی يك دوره آماری 24 ساله استفاده شده است. روش بررسی: در تحقيق حاضر، با استفاده از توان بالای موجك در شناسايی سيگنال‌ها و جداسازی سيگنال‌های خطا در تركيب با شبكه عصبی برای تخمين پارامترهای كيفی آب رودخانه‌های مذكور مدل شبكه عصبی موجكی مورد تجزيه و تحليل قرار گرفت و با مدل شبكه عصبی مصنوعی مقايسه گرديد. ارزيابی اين دو مدل توسط معيارهای آماری ضريب همبستگی (r)، ضريب كارايی نش- ساتكليف (NS)، ريشه مربع ميانگين خطا (RMSE) و ميانگين قدر مطلق خطا (MAE) انجام پذيرفت. يافته‌ها: نتايج برآمده از تحقيق نشان داد كه مدل بهينه شبكه عصبی موجكی با ضريب همبستگی بالای 9/0 قابليت بالايی در تخمين پارامتر SAR در ايستگاه‌های مورد مطالعه دارد. همچنين در مورد پارامترهای EC و TDS دقت بالا و ميزان خطای پايين مدل توسعه يافته عصبی موجك نسبت به مدل شبكه عصبی مصنوعی مشهود بود. نتيجه‌گيری: با توجه به كارايی بالای شبكه عصبی موجكی در پيش‌بينی پارامترهای كيفی آب رودخانه‌ها می‌توان از اين مدل جهت اتخاذ تصميمات مديريتی و همچنين برای حصول اطمينان از نتايج پايش و كاهش هزينه پايش استفاده كرد.

Background and Objectives: Rivers are the most important resources supplying drinking, agricultural, and industrial water demand. Their quality fluctuates frequently due to crossing from different regions and beds as well as their direct relationship with their peripheral environments. Thus, it is essential to be considered the surveying and predicating changes in the water qualitative parameters in a river. In this study, in order to estimate some of the qualitative parameters (Total dissolved solids, electrical conductivity and sodium absorption rate) for Tehran Jajroud and Kermanshah Gharasu rivers, we used wavelet-artificial neural network (W-ANN) hybrid model during a statistical period of 24 years. Methods: We compared W-ANN model with ANN model in order to evaluate its capability in detecting signals and separating error signals for estimating water quality parameters of the abovementioned rivers. The evaluation of both models was performed by the statistical criteria including correlation coefficient, the Nash-Sutcliffe model efficiency coefficient (NS), the root mean square error (RMSE) and the mean absolute error (MAE). Results: The results showed that the optimized W-ANN with correlation coefficient of 0.9 has high capability to estimate SAR parameter in the stations studied. Moreover, we found that W-ANN had less error and higher accuracy in the case of EC and TDS parameters rather than ANN model. Conclusion: W-ANN proved high efficiency in forecasting of the water quality parameters of rivers, therefore, it can be used for decision making and assurance of monitoring results and optimizing the monitoring costs.