كليدواژه :
پارامترهاي كيفي آب , پيش‌بيني , موجك , هوش مصنوعي
چكيده فارسي :
سابقه و هدف:افزايش تقاضاي آب و گسترش آلودگي منبع هاي آب در اثر افزايش فعاليت‌هاي كشاورزي، شهري و صنعتي موجب ايجاد مشكل هاي محيط زيستي در بسياري از منطقه هاي جهان شده است. افزايش قابل توجه بار آلودگي و گوناگوني آلاينده‌ها‌ي مختلف شهري، كشاورزي و صنعتي نياز به مديريت تلفيقي كمي و كيفي سيستم‌هاي منبع هاي آب را بيش از پيش ضروري ساخته است. پيش‌بيني‌هاي دقيق كوتاه مدت و بلند‌مدت پارامترهاي كيفي رودخانه بويژه براي طراحي ساز‌ه‌هاي هيدروليكي، برنامه‌ريزي آبياري، بهره‌برداري بهينه از مخازن و برنامه‌ريزي محيطي ضروري است. با توجه به ويژگي هاي تصادفي بودن رخدادهاي هيدرولوژيكي، پيش‌بيني وضعيت آينده آب‌هاي سطحي هميشه با نبود قطعيت‌هايي همراه است. هدف پژوهش حاضر، بررسي عملكرد دو نوع شبكه عصبي مصنوعي mlp و gmdh بصورت تكي و همراه با تبديل موجك گسسته (dwt) براي پيش‌بيني دو پارامتر كيفي مهم هدايت الكتريكي (ec) و نسبت جذب سديم (sar) در ايستگاه هيدرومتري زمانخان رودخانه زاينده‌رود در 1، 2 و 3 ماه آينده است.مواد و روش‌ها:در پژوهش حاضر، داده‌هاي كيفيت آب رودخانه زاينده‌رود در ايستگاه زمانخان در طول سال‌هاي 1363 الي 1384 مورد استفاده قرار گرفت. از مجموع 22 سال داده، 15 سال ( كمابيش 70 درصد) براي آموزش و 7 سال ( 30 درصد) براي آزمون مدلهاي توسعه داده شده مورد استفاده قرار گرفتند. دو نوع موجك مادر dmey و db4 مورد ارزيابي قرار گرفتند همچنين پارامترهاي آماري نظير rmse و r^2 براي بررسي عملكرد مدلها مورد استفاده قرار گرفتند.نتايج و بحث:نتايج نشان داد كه استفاده از تبديل موجك گسسته موجب بهبود عملكرد مدلها شده است. تركيب‌هاي مختلفي از داده‌هاي ورودي (تاخيرهاي مختلف) و دو نوع موجك‌هاي مادر مورد ارزيابي قرار گرفت. نتايج نشان داد كه مدلهاي تركيبي موجكmlp و موجك gmdh در هر دو پارامتر كيفي ec و sar در بازه‌هاي مورد پيش‌بيني نسبت به مدلهاي تكي mlp و gmdh داراي توانايي و دقت بالاتري در پيش‌بيني مي‌باشند. نتايج مدلهاي بدون تبديل موجك تنها در پيش‌بيني sar يك ماه بعد عملكرد خوبي داشتند و قادر به پيش بيني‌هاي دو و سه ماه بعد نبودند. در پارامتر ec، مدلهاي mlp و gmdh داراي عملكرد بهتري بودند. همچنين نتايج نشان داد كه استفاده از تاخيرهاي زماني سالانه موجب افزايش دقت نمي‌شود و در برخي موارد حتي سبب كاهش دقت نيز مي‌گردد. بررسي انواع موجك‌هاي مادر نيز نشان داد كه موجك dmey مناسبترين نوع موجك براي پيش‌بيني پارامترهاي كيفي ec و sar مي‌باشد. مقايسه دو مدل موجكmlp و موجك gmdh نشان دهنده برتري نسبي مدل موجكmlp بود. با افزايش بازه پيش‌بيني از 1 ماه تا 3 ماه آينده دقت مدلها كاهش پيدا كرد. اين كاهش دقت در پيش‌بيني پارمتر sar بيشتر بود، بطوري كه r^2 در پيش‌بيني 1 ماه بعد sar برابر 0.936 و در پيش بيني 3 ماه بعد به 0.516 كاهش يافت. در پارامتر ec نيز r^2 در پيش‌بيني 1 ماه بعد تا 3 ماه بعد از 0.981 به 0.641 كاهش يافت.نتيجه‌گيري:نتايج تحقيق حاضر مي‌تواند بعنوان مبنايي براي برنامه‌ريزي‌هاي آينده در مورد كيفيت آب مصرفي باشد. پيشنهاد مي‌شود مدل بيان شده در پژوهش حاضر در ديگر رودخانه‌هاي كشور نيز مورد بررسي قرار گيرد. همچنين تركيب ديگر مدلهاي هوشمند نظير anfis و svm با تبديل موجك نيز مي توانند مورد بررسي و ارزيابي قرار گيرند.
چكيده لاتين :
Introduction: Increasing water demand and water pollution due to the development of agricultural, urban and industrial activities have caused environmental problems all over the world. The significant increase in water pollution and the diversity of various urban, agricultural and industrial pollutants made the qualitative management of water resources inevitable. Short-term and long-term accurate forecasts of river quality parameters are essential for designing hydraulic structures, irrigation planning, optimal utilization of reservoirs and environmental planning. Given the stochastic characteristics of the hydrological events, forecasting the future status of surface waters is always associated with uncertainties. The purpose of the present study was to investigate the performance of two types of artificial neural networks, namely MLP and GMDH, combined with discrete wavelet transform (DWT), to forecast two important quality parameters, electrical conductivity (EC) and sodium adsorption ratio (SAR) at Zayandeh-Rood River in 1, 2 and 3 months ahead.
Material and methods: In this study, water quality data (EC and SAR) of Zayandeh-Rood River at Zaman Khan Station was used from 1363 to 1384. From 21 years of data, 15 years (approximately 70%) were used for training and 7 years (30%) were used to test the developed models. Two types of mother wavelet dmey and db4 were evaluated. Statistical parameters such as RMSE and R2 were used to evaluate the performance of the models.
Results and discussion: The results showed that the use of discrete wavelet transform improves the performance of the models. Various combinations of input data (various delays) and two types of mother wavelets were evaluated. The results showed that wavelet-MLP and wavelet-GMDH hybrid models outperform single MLP and single GMDH models at all forecasting intervals. The results of the single MLP and GMDH models were only effective in forecasting SAR one month ahead but practically could not forecast two and three months later. In the EC parameter, the MLP and GMDH models performed better. Also, the results showed that the use of annual time lags does not increase the accuracy and in some cases even reduces it. The study of the types of mother wavelets also showed that the dmey wavelet is the most suitable wavelet type to forecast EC and SAR qualitative parameters. The comparison between wavelet-MLP and wavelet-GMDH models showed the relative superiority of the former model. By increasing the forecast period from one month to three months ahead, the accuracy of the models decreased. This decrease in precision was higher in forecasting SAR parameter, e.g. in the one month forecast, R2 was 0.936 and in the 3 months ahead forecasts it was reduced to 0.516. In the EC parameter, the R2 fell to 0.641 in 3 months ahead forecasting.
Conclusion: The results of this study can be used as a basis for future planning for water quality. It is suggested that the model presented in this study should be considered in other rivers. Also, the combination of other artificial intelligent models such as ANFIS and SVM with wavelet transform can be evaluated.
