ارزيابي كارايي مدل تلفيقي شبكه عصبي مصنوعي و آناليز موجك در پيش‌بيني غلظت شاخص كيفي اكسيژن محلول در مخزن سد بولدر

Prediction of monthly dissolved oxygen using wavelet and artificial neural network combined model

سابقه و هدف: مديريت كمي و كيفي منابع آب به‌منظور تامين تقاضا براي كاربري‌هاي مختلف از رويكردهاي مهم سياست‌گذاري در هر كشور است. در اين راستا پايش كيفيت آب مخازن سدها به‌عنوان يك گام اساسي در مديريت اين منابع با ارزش اهميت ويژه‌اي دارد. مطالعات قبلي كه در اين مقاله تشريح مي‌شوند، نشان مي‌دهند كه مدل‌ها مبتني بر شبكه عصبي مصنوعي به‌طور موثري مي‌تواند جهت پيش‌بيني مقادير شاخص‌هاي كيفي در منابع آب، به‌كار برده شود. هدف اصلي اين مطالعه، ارايه يك مدل كارآمد به‌منظور پيش بيني غلظت شاخص كيفي اكسيژن محلول در مخزن سد مي‌باشد. مواد و روش‌ها: داده‌هاي مورد استفاده در اين پژوهش مقادير اندازه‌گيري شده اكسيژن محلول به‌مدت 120 ماه، از ماه ژانويه سال 1998 تا ماه دسامبر سال 2007 در مخزن سد بولدر واقع در ايالت كلرادو آمريكا مي‌باشد. در اين پژوهش مدل‌هاي شبكه عصبي مصنوعي، رگرسيون خطي چند‌متغيره و مدل تلفيقي شبكه عصبي مصنوعي با تبديل موجك به‌منظور پيش‌بيني غلظت اكسيژن محلول در مخزن سد به‌كار گرفته شد. در مدل تلفيقي، سري زماني داده‌هاي اندازه‌‌گيري شده شاخص كيفي اكسيژن محلول با استفاده از تبديل موجك در سطوح مختلف تجزيه شـد و زيـرسـري‌هاي موثر در غلظت اكسيژن محلول در يك ماه آينده به‌عنوان ورودي‌هاي شبكه عصبي به‌كار گرفته شد. يافته‌ها: نتايج نشان داد كه مدل تلفيقي نتايج دقيق‌تري را نسبت به مدل هاي عصبي و رگرسيوني به‌دست مي دهد و استفاده از تبديل موجك به مقدار قابل‌توجهي دقت نتايج حاصل از مدل‌سازي را بهبود مي‌بخشد. مقادير E و RMSE داده‌هاي آزمايشي براي اين مدل به‌ترتيب 96/0 و 22/0حاصل شده است. همچنين نتايج نشان داد كه مدل-هاي تلفيقي و عصبي نقاط مينيمم را كه شرايط بي هوازي را در مخزن ايجاد مي كند، به خوبي پيش بيني مي كند ولي مدل رگرسيوني عملكرد خوبي در پيش‌بيني شرايط بي‌هوازي ندارد. نتيجه‌گيري: نتايج نشان داد كه استفاده از تبديل موجك در تركيب با شبكه عصبي مصنوعي نتايج مدلسازي را بهبود مي‌بخشد و به‌طور‌كلي، مطالعه موردي انجام شده با استفاده از مدل تلفيقي مذكور در مخزن سد بولدر نتايج اميدواركننده‌اي را در زمينه پيش‌بيني مقادير شاخص كيفي اكسيژن محلول در مخازن سدها نشان مي‌دهد.

Background and Objectives: Qualitative and quantitative management of water resources to meet the demand for different usages is the major approach in each country policy. In this regard, dam reservoirs water quality monitoring is an important step in the management of these resources. Previous researches described in this study, show that, artificial neural network based models can be used to predict the qualitative indices of water resources efficiently. The objective of this study is to develop an efficient model in order to predict the concentration of dissolved oxygen in the dam reservoir. Materials and Methods: The data used in this study consisted of monthly dissolved oxygen data from January 1998 to December 2007 were obtained from Boulder reservoir, Colorado, (USA). This study investigated the prediction of dissolved oxygen in a gauging station in the reservoir by artificial neural network, multi linear regression and conjunction of wavelet analysis and artificial neural network models. In the proposed wavelet analysis and artificial neural network model, observed time series of dissolved oxygen was decomposed at different scales by wavelet analysis. Then, total effective time series of this water quality index was imposed as inputs to the artificial neural network model for prediction of one month ahead dissolved oxygen. Results: Results showed that the wavelet analysis and artificial neural network combined model performance were better in prediction rather than the artificial neural network and multi linear regression models. Using wavelet analysis improved the modeling results considerably. In the combined model, E, and RMSE is obtained 0.96 and 0.22 respectively. Artificial neural network and the combined wavelet with artificial neural network models produced reasonable predictions for the minimum values that lead anaerobic condition in reservoir. Conclusion: The results showed that using wavelet analysis in conjunction with artificial neural network, improved the modeling performance. Also the results of this research indicate that the wavelet analysis and artificial neural network combined model is a promising model for dissolved oxygen predicting in reservoirs such as those found in Boulder reservoir.