رجایی, طاهر, برومند, امیر. (1394). ارزیابی کارایی مدل تلفیقی شبکه عصبی مصنوعی و آنالیز موجک در پیشبینی غلظت شاخص کیفی اکسیژن محلول در مخزن سد بولدر. مجله پژوهشهای حفاظت آب و خاک, 22(6), 153-169.
طاهر رجایی; امیر برومند. "ارزیابی کارایی مدل تلفیقی شبکه عصبی مصنوعی و آنالیز موجک در پیشبینی غلظت شاخص کیفی اکسیژن محلول در مخزن سد بولدر". مجله پژوهشهای حفاظت آب و خاک, 22, 6, 1394, 153-169.
رجایی, طاهر, برومند, امیر. (1394). 'ارزیابی کارایی مدل تلفیقی شبکه عصبی مصنوعی و آنالیز موجک در پیشبینی غلظت شاخص کیفی اکسیژن محلول در مخزن سد بولدر', مجله پژوهشهای حفاظت آب و خاک, 22(6), pp. 153-169.
رجایی, طاهر, برومند, امیر. ارزیابی کارایی مدل تلفیقی شبکه عصبی مصنوعی و آنالیز موجک در پیشبینی غلظت شاخص کیفی اکسیژن محلول در مخزن سد بولدر. مجله پژوهشهای حفاظت آب و خاک, 1394; 22(6): 153-169.
ارزیابی کارایی مدل تلفیقی شبکه عصبی مصنوعی و آنالیز موجک در پیشبینی غلظت شاخص کیفی اکسیژن محلول در مخزن سد بولدر
مدیریت کمی و کیفی منابع آب به منظور تامین تقاضا برای کاربریهای مختلف از رویکردهای مهم سیاستگذاری در هر کشور است. در این راستا پایش کیفیت آب مخازن سدها به عنوان یک گام اساسی در مدیریت این منابع با ارزش اهمیت ویژهای دارد. دراین تحقیق مدلهای شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره و مدل تلفیقی شبکه عصبی مصنوعی با تبدیل موجک بمنظور پیشبینی غلظت اکسیژن محلول در مخزن سد بولدر واقع در ایالت کلرادو آمریکا بکار گرفته شده است. در مدل تلفیقی، سری زمانی دادههای اندازهگیری شده شاخص کیفی اکسیژن محلول با استفاده از تبدیل موجک در سطوح مختلف تجزیه شد و زیرسریهای موثر در غلظت اکسیژن محلول در یک ماه آینده به عنوان ورودیهای شبکه عصبی بکار گرفته شد. نتایج نشان داد که مدل تلفیقی نتایج دقیقتری را نسبت به مدلهای عصبی و رگرسیونی بدست میدهد و استفاده از تبدیل موجک به مقدار قابل توجهی دقت نتایج حاصل از مدلسازی را بهبود میبخشد. مقادیر E و RMSE دادههای آزمایشی برای این مدل به ترتیب 96/0 و 22/0 حاصل شده است. همچنین نتایج نشان داد که مدلهای تلفیقی و عصبی نقاط مینیمم را که شرایط بیهوازی را در مخزن ایجاد میکند، به خوبی پیشبینی میکند ولی مدل رگرسیونی عملکرد خوبی در پیشبینی شرایط بیهوازی ندارد.
Prediction of Monthly Dissolved Oxygen Using Wavelet and Artificial Neural Network Combined Model
چکیده [English]
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. This study investigated the prediction of dissolved oxygen in a gauging station in the Boulder reservoir (USA) 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 dissolved oxygen in one month ahead. 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, determination coefficient, 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.
کلیدواژهها [English]
Dissolved oxygen, Wavelet transform, artificial neural network, water quality, Dam reservoir