مدل‌سازی جامدات محلول با استفاده از روش‌های هیبریدی محاسبات نرم (مطالعۀ موردی: حوضۀ آبریز نازلوچای)

رودخانه‏ها اهمیت بسیار زیادی در تامین آب آشامیدنی و کشاورزی دارند. در این مطالعه، قابلیت روش‏‏های منفرد و هیبریدی‌ موجکی شبکه‏های عصبی، سامانۀ استنتاجی عصبی‌ فازی تطبیقی و برنامه‏ریزی بیان ژن برای مدل‌سازی میزان جامدات محلول حوضۀ آبریز نازلوچای ارزیابی شدند. به این منظور از داده‏های کیفیت آب با طول دورۀ آماری 19 ساله (1372-1390)، چهار ایستگاه هیدرومتری واقع در حوضۀ آبریز نازلوچای استفاده شد. پس از بررسی صحت داده‏ها و ایستگاه‏های منتخب، با استفاده از تبدیل موجک دابچیز نوع چهارم، سیگنال‏های داده‏های مربوط به آن آنالیز شد. در مدل‌سازی از 80 درصد داده‏ها برای آموزش و 20 درصد داده‏ها برای آزمون مدل‏ها استفاده شده است. ارزیابی عملکرد مدل‏های به‌کار‌رفته بر اساس آزمون‏های آماری مختلف، ضریب همبستگی، ریشۀ میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج بیان‌کنندۀ عملکرد قابل قبول همۀ روش‏های منفرد و هیبریدی‌ موجکی شبکۀ‏ عصبی مصنوعی، سامانۀ استنتاجی عصبی‌ فازی تطبیقی و برنامه‏ریزی بیان ژن برای مدل‌سازی میزان جامدات محلول در حوضۀ آبریز نازلوچای است؛ ولی به‌ترتیب اولویت wgep، gep، wanfis، anfis-sc،wann، anfis-gp و ann عملکرد بهتری دارند. همچنین مدل هیبریدی برنامه‏ریزی بیان ژن‌ موجکی با داشتن کمترین میزان rmse به مقدار 078/21 بهترین عملکرد را در بین سایر مدل‏های منفرد و هیبریدی دارد.