مقایسه مدل‌های wavelet-mlp و wavelet-gmdh در پیش‌بینی هدایت الکتریکی (ec) و نسبت جذب سدیم (sar) در رودخانه زاینده‌رود

سابقه و هدف:افزایش تقاضای آب و گسترش آلودگی منبع های آب در اثر افزایش فعالیت‌های 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 آلاینده‌ها‌ی مختلف شهری، کشاورزی و صنعتی نیاز به مدیریت تلفیقی کمی و کیفی سیستم‌های منبع های آب را بیش از پیش ضروری ساخته است. پیش‌بینی‌های دقیق کوتاه مدت و بلند‌مدت پارامتر‌های کیفی رودخانه بویژه برای طراحی ساز‌ه‌های هیدرولیکی، برنامه‌ریزی آبیاری، بهره‌برداری بهینه از مخازن و برنامه‌ریزی محیطی ضروری است. با توجه به ویژگی های تصادفی بودن رخدادهای هیدرولوژیکی، پیش‌بینی وضعیت آینده آب‌های سطحی همیشه با نبود قطعیت‌هایی همراه است. هدف پژوهش حاضر، بررسی عملکرد دو نوع شبکه عصبی مصنوعی mlp و gmdh بصورت تکی و همراه با تبدیل موجک گسسته (dwt) برای پیش‌بینی دو پارامتر کیفی مهم هدایت الکتریکی (ec) و نسبت جذب سدیم (sar) در ایستگاه هیدرومتری زمانخان رودخانه زاینده‌رود در 1، 2 و 3 ماه آینده است.مواد و روش‌ها:در پژوهش حاضر، داده‌های کیفیت آب رودخانه زاینده‌رود در ایستگاه زمانخان در طول سال‌های 1363 الی 1384 مورد استفاده قرار گرفت. از مجموع 22 سال داده، 15 سال ( کمابیش 70 درصد) برای آموزش و 7 سال ( 30 درصد) برای آزمون مدل‌های توسعه داده شده مورد استفاده قرار گرفتند. دو نوع موجک مادر dmey و db4 مورد ارزیابی قرار گرفتند همچنین پارامترهای آماری نظیر rmse و r^2 برای بررسی عملکرد مدل‌ها مورد استفاده قرار گرفتند.نتایج و بحث:نتایج نشان داد که استفاده از تبدیل موجک گسسته موجب بهبود عملکرد مدل‌ها شده است. ترکیب‌های مختلفی از داده‌های ورودی (تاخیرهای مختلف) و دو نوع موجک‌های مادر مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل‌های ترکیبی موجکmlp  و موجک gmdh در هر دو پارامتر کیفی ec و sar در بازه‌های مورد پیش‌بینی نسبت به مدلهای تکی mlp و gmdh دارای توانایی و دقت بالاتری در پیش‌بینی می‌باشند. نتایج مدل‌های بدون تبدیل موجک تنها در پیش‌بینی sar یک ماه بعد عملکرد خوبی داشتند و قادر به پیش بینی‌های 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 نمی‌شود و در برخی موارد حتی سبب کاهش دقت نیز می‌گردد. بررسی انواع موجک‌های مادر نیز نشان داد که موجک‌ dmey مناسبترین نوع موجک برای پیش‌بینی پارامترهای کیفی ec و sar می‌باشد. مقایسه دو مدل موجکmlp و موجک gmdh  نشان دهنده برتری نسبی مدل موجکmlp  بود. با افزایش بازه پیش‌بینی از 1 ماه تا 3 ماه آینده دقت مدلها کاهش پیدا کرد. این کاهش دقت در پیش‌بینی پارمتر sar بیشتر بود، بطوری که r^2 در پیش‌بینی 1 ماه بعد sar برابر 0.936 و در پیش بینی 3 ماه بعد به 0.516 کاهش یافت. در پارامتر ec نیز r^2 در پیش‌بینی 1 ماه بعد تا 3 ماه بعد از 0.981 به 0.641 کاهش یافت.نتیجه‌گیری:نتایج تحقیق حاضر می‌تواند بعنوان مبنایی برای برنامه‌ریزی‌های آینده در مورد کیفیت آب مصرفی باشد. پیشنهاد می‌شود مدل بیان شده در پژوهش حاضر در دیگر رودخانه‌های کشور نیز مورد بررسی قرار گیرد. همچنین ترکیب دیگر مدل‌های هوشمند نظیر anfis و svm با تبدیل موجک نیز می توانند مورد بررسی و ارزیابی قرار گیرند.