انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 8 3 2014 09 23 Wavelet and ANN Combination Model for Prediction of Sulfate and Chloride Concentrations in Rivers (Case Study: Dez River) مدل ترکیبی موجک و شبکه عصبی برای پیش‌بینی غلظت سولفات و کلراید رودخانه‌ها (مطالعه موردی: رودخانه دز) 496 509 55657 FA طاهر رجایی استادیار گروه مهندسی عمران و نویسنده مسئول، دانشگاه قم، قم، ایران حمیده جعفری دانش آموخته کارشناسی ارشد سازه های هیدرولیکی، گروه عمران، دانشگاه قم، قم، ایران Journal Article 2014 04 22 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 SO₄and 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 SO₄modeling, while multi linear regression method is incapable in this event. 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. https://idj.iaid.ir/article_55657_1cb5e7535b5e4aa0bbb501f43c5bd910.pdf