پيش بيني پارامترهاي كيفي (NO3 ,DO) رودخانه كرج با استفاده از مدل هاي ANN، MLR و تلفيق شبكه عصبي-موجكي بر پايه نويززدايي

Prediction of quality parameters (NO3, DO) of Karaj River using ANN, MLR, and Denoising-based combined wavelet-neural network based on Models

زمینه و هدف: پیش بینی و كنترل كیفیت آب رودخانه كرج، به عنوان یكی از مهم ترین منابع تامین كننده آب مورد نیاز شهر تهران، از اهمیت بسزایی برخوردار است. در این تحقیق، عملكرد مدل‌های شبكه عصبی (ANN)، مدل تركیبی شبكه عصبی – موجك (WANN) و رگرسیون خطی چند متغیره (MLR)، برای پیش بینی یك ماه آینده یون نیترات و اكسیژن محلول ایستگاه پل خواب واقع در رودخانه كرج، مورد ارزیابی قرار گرفت. روش بررسی: از یك دوره آماری 11 ساله جهت ورودی مدل ها استفاده شد. در مدل تركیبی WANN سری های زمانی واقعی دبی و پارامتر كیفی مورد نظر (نیترات و اكسیژن محلول) توسط آنالیز موجك تجزیه شدند؛ سپس مجموع سری های زمانی موثر آنها به عنوان ورودی ANN به كار گرفته شد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیك سری زمانی كه دارای اهمیت بسزایی هستند، بررسی شد. كارایی مدل‌ها با ضریب تببین یا نش(E) و ریشه میانگین خطای مربع (RMSE) ارزیابی شدند. یافته‌ها: نتایج، حاكی از دقت و توانایی بالای مدل هیبرید شبكه عصبی- موجكی با رویكرد حذف نویزهای سری زمانی نسبت به دو مدل دیگر بوده است؛ بطوریكه مدل تركیبی شبكه عصبی– موجكی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبكه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار% 35/60 و %75/93 و برای یون اكسیژن محلول، به اندازه %40/57 و %60/13 بهبود بخشد. نتیجه‌گیری: به لحاظ قابلیت بالای شبكه عصبی موجكی و حذف نویزهای سری های زمانی در پیش بینی پارامترهای كیفی آب رودخانه، این مدل می‌تواند، راهكاری مناسب و سریع در مدیریت برتر كیفیت منابع آب و اطمینان از نتایج پایش كیفی و كاهش هزینه های آن مطرح شود.

Background & Objectives: The prediction and quality control of the Karaj River water, as one of the important needed water supply sources of Tehran, possesses great importance. In this study, performance of artificial neural network (ANN), combined wavelet-neural network (WANN), and multi linear regression (MLR) models were evaluated to predict next month nitrate and dissolved oxygen of “Pole Khab” station located in Karaj River. Materials and Methods: A statistical period of 11 years was used for the input of the models. In combined WANN model, the real monthly-observed time series of river discharge (Q) and the quality parameters (nitrate and dissolved oxygen) were analyzed using wavelet analyzer. Then, their completely effective time series were used as ANN input. In addition, the ability of all three models were investigated in order to predict the peak points of time-series that have great importance. The capability of the models was evaluated by coefficient of efficiency (E) and the root mean square error (RMSE). Results: The research findings indicated that the accuracy and the ability of hybrid model of wavelet neural network with the attitude of elimniations of time series noise had beeb better than the other two modes so that hybrid model of Wavelet artificial neural network wase able the improve the rate of RMSE for Nitrate ions in comparison with neural network and multiple linear regression models respectively, amounting to 35.6% and 75.92%, for Dissolved Oxygen ion as much as 40.57% and 60.13%. Conclusion: owing of the high capability wavelet neural network and the elimination of the time series noises in the prediction of quality parameters of river’s water, this model can be convenient and fast way to be proposed for management of water quality resources and assursnce from water quality monitoring results and reduction its costs.