مدل ترکیبی موجک و شبکه عصبی برای پیش‌بینی غلظت سولفات و کلراید رودخانه‌ها (مطالعه موردی: رودخانه دز)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران و نویسنده مسئول، دانشگاه قم، قم، ایران

2 دانش آموخته کارشناسی ارشد سازه های هیدرولیکی، گروه عمران، دانشگاه قم، قم، ایران

چکیده

از مهم­ترین عوامل مؤثر در توسعه پایدار یک منطقه، فراهم آوردن منابع آب مناسب از نظر کمی و کیفی می­باشد. در این مطالعه مدل­های شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره  و ترکیب شبکه عصبی- موجک برای پیش بینی غلظت سولفات و کلراید در ایستگاه بامدژ رودخانه دز بررسی شد و تأثیر پیش­پردازش داده­ها روی عملکرد مدل­ها به­وسیله تجزیه موجک مورد تحقیق قرار گرفت. بدین منظور سری­های زمانی دبی، سولفات و کلراید مشاهده شده­ رودخانه، در سطوح مختلفی به زیرسری­ها تجزیه شدند. سپس حاصل جمع جبری زیرسری­های مؤثر دبی، سولفات و کلراید به عنوان ورودی مدل شبکه عصبی برای پیش­بینی یک ماه بعدی سولفات و کلراید درنظر گرفته شد. نتایج نشان داد که عملکرد پیش­بینی مدل ترکیبی موجک نسبت به شبکه عصبی و رگرسیون بهتر می باشد. هم­چنین مدل ترکیبی موجک عصبی برای مقادیر بیشینه، پیش­بینی قابل قبولی را ارائه داد. این مدل، میانگین حداقل خطا را برای مدل­های رگرسیون و شبکه عصبی در مدل­سازی کلراید، به ترتیب از 84/0 و 64/0 به 52/0 و در مدل­سازی سولفات به ترتیب از 7/1 و 95/0 به 63/0 کاهش داد. هم­چنین این مدل توانست پدیده هیسترزیس را برای مدل سولفات به خوبی شبیه­سازی کند، درحالی که مدل رگرسیون در تشخیص آن ناتوان بود.

کلیدواژه‌ها


عنوان مقاله [English]

Wavelet and ANN Combination Model for Prediction of Sulfate and Chloride Concentrations in Rivers (Case Study: Dez River)

نویسندگان [English]

  • Taher Rajaee 1
  • Hamideh Jafari 2
1 Assistant Professor, Dept., of Civil Eng., University of Qom., Qom., Iran
2 Former MSc Student in Hydraulic Structure, Dept., of Civil Eng., University of Qom., Qom., Iran
چکیده [English]

One of the most important factors in sustainable development of watersheds is suitable water resources availability in terms of quantity and quality. This study considered artificial neural network (ANN), wavelet analysis and ANN combination (WANN), multi linear regression (MLR) models for monthly Sulfate (SO4) and Chloride (Cl) modeling in the Dez River Bamdezh station and investigates the effects of data preprocessing on model performance using discrete wavelet. For this purpose, wavelet analysis and ANN model, observed time series of river discharge and SO4 and Chloride were decomposed at different scales by wavelet analysis. Then, total effective time series of discharge and SO4(Cl) were imposed as inputs to the neural network model for prediction of SO4(Cl) in one-month- ahead. Results showed that the WANN model performance was better in prediction rather than the ANN and multi linear regression models. The wavelet analysis model produced reasonable predictions for the extreme values. This model dropped the mean absolute percentage error for the multi linear regression model and the ANN model for the Chloride modeling from 0.84 and 0.64, respectively, to 0.52, and SO4 modeling from 1.7 and 0.95, respectively, to 0.63. Furthermore, the model could be employed to simulate hysteresis phenomenon for SO4 modeling, while multi linear regression method is incapable in this event.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • wavelet transform
  • Sulfate(SO4)
  • Chloride(Cl)
  • Dez river
گلابی،م.، موسوی جهرمی،س.ج و کرمی،ب. 1385. شبیه­سازی EC، TDS، SAR رودخانه کارون با استفاده از Qnet 2000. هفتمین سمینار بین­المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.
نوشادی،م.، سالمی،ح و احمدزاده،م. 1386. شبیه­سازی و پیش­بینی برخی از پارامترهای کیفیت آب رودخانه زاینده رود با استفاده از شبکه عصبی مصنوعی، نشریه آب و فاضلاب، شماره 64، زمستان 1386، صص 65-49.
ودیعتی،م.، نخعی،م.، امرایی،و  و میرعربی،ع. 1392. ارزیابی کیفیت آب رود کارون با استفاده از شبیه­سازی استنتاج فازی. مجله مهندسی منابع آب، سال ششم، تابستان 1392، صص 49-39.
Han,J.G., Ren,W.X and Sun,Z.S. 2005. Wavelet packet based damage identification of Beam structures. International Journal of Solids and Structures 4: 6610-6627.
Haykin,S. 1994. Neural Networks: A comprehensive foundation. MacMillan, New York. 432-444.
Longqin,X and Shuangyin,L. 2013. Study of short-term water quality prediction model based on wavelet neural network. Elsevier, Journal. Mathematical  and Computer Modelling.58: 807-813.
Najah,A., Elshafie,A., Karimi,O and Jaffer,O.  2009. Prediction of Johor river water quality Parameters using artificial neural networks. Europ J Sci Res. 28: 422-35.
Nourani,V., Alami,M.T and Aminfar,M.H..  2009. A Combined Neural-Wavelet Model for Prediction of Ligvanchai Watershed Precipitation. Engineerig Application of Artificial Intelligence. 22: 146-477.
Nourani,V., Hosseini Baghanam, A., Adamowski,A and Gebremichael,M. 2013.Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Elsevier, Journal of Hydrology. 476: 228-243.
Qian-Jin,L., Zhi-Hue,S., Nu-Fang,F., Hua-De,Z and Lei,A. 2013. Modeling the daily suspended sediment concentration in a hyper concentrated river on the Loess Plateau, China, using the Wavelet–ANN approach. Elsevier, Journal of Geomorphology. 186: 181-190.
Rajaee,T. 2011. Wavelet-ANN combination model for prediction of daily suspended sediment load in rivers. Science of The Total Environment. 409: 2917-2928.
Rajaee,T., Nourani,V., Zounemat-Kermani,M and Kisi,O. 2011. River Suspended Sediment Load Prediction: Application of ANN and Wavelet Conjunctio Model. Journal of Hydrologic Eng., ASCE. 8: 613-627.
Sandhu,N., and Finch,R. 1995. Methodology for flow and salinity estimation in the Sacramento-San Joaquin Delta and Suisun Marsh, Chapter 7. Artificial neural networks and their applications, 85: 343-365.
Singh,R.M. 2012. Wavelet-ANN Model for Flood Events. Advances in Intelligent and Soft Computing , Springer. 131: 165-175.
Williams,G. 1989. Sediment concentration versus water discharge during single hydrologic events in rivers. Journal of Hydrology. 111: 89–106.
Zhou,H.C., Peng,Y., and Liang,G.H. 2008. The research of monthly discharge predictor-corrector model based on wavelet decomposition. Water Resour Manage, Springer. 22(2): 217–227.