پیشب ینی نسبت جذب سدیم آب با استفاده از مدل تلفیقی شبکه عصبی و تبدیل موجک (مطالعه موردی: ایستگاه رودبار رودخانه سفیدرود)

از مهم ترین عوامل موثر بر توسعه پایدار حوزه های آبریز، فراهم بودن کمی و کیفی منابع آب است. در این مطالعه مدل های شبکه عصبی، رگرسیون خطی چند متغیره، برنامه ریزی ژنتیک و ترکیب موجک-عصبی برای مدل سازی نسبت جذب سدیم(sar) ماهانه در ایستگاه رودبار رودخانه سفیدرود بررسی شده و تاثیر پیش پردازش داده‌ها روی عملکرد مدل شبکه عصبی به وسیله تبدیل موجک ناپیوسته موردتحقیق قرار گرفت. بدین منظور سری های زمانی دبی و نسبت جذب سدیم به‌وسیله تبدیل موجک ناپیوسته مختلف در سطوح متفاوتی به زیرسری ها تجزیه شدند و سپس به-عنوان ورودی شبکه عصبی مورداستفاده قرار گرفتند. نتایج نشان داد که مدل ترکیبی موجک-عصبی به خصوص برای پیش بینی مقادیر بیشینه sar در مقایسه با روش های رگرسیون خطی، شبکه عصبی و برنامه ریزی ژنتیک مناسب تر هست. همچنین مدل ترکیبی توانست پدیده پس ماند را برای نسبت sar به خوبی شبیه سازی نماید، درحالی‌که مدل رگرسیون در تشخیص آن ناتوان بود.