دوره 7، شماره 4 - ( 10-1393 )                   جلد 7 شماره 4 صفحات 511-530 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rajaee T, Rahimi Benmaran R, Jafari H. Prediction of quality parameters (NO3, DO) of Karaj River using ANN, MLR, and Denoising-based combined wavelet-neural network based on Models. ijhe. 2015; 7 (4) :511-530
URL: http://ijhe.tums.ac.ir/article-1-5264-fa.html
رجایی طاهر، رحیمی بنماران رقیه، جعفری حمیده. پیش بینی پارامترهای کیفی (NO3 ,DO) رودخانه کرج با استفاده از مدل های ANN، MLR و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی. سلامت و محیط زیست. 1393; 7 (4) :511-530

URL: http://ijhe.tums.ac.ir/article-1-5264-fa.html


1- دکتری آب- محیط زیست، استادیار گروه مهندسی عمران، دانشگاه قم
2- کارشناس ارشد سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه قم ، r.rahimi_b@yahoo.com
3- کارشناس ارشد سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه قم
چکیده:   (2360 مشاهده)

زمینه و هدف: پیش بینی و کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تامین کننده آب مورد نیاز شهر تهران، از اهمیت بسزایی برخوردار است. در این تحقیق، عملکرد مدل‌های شبکه عصبی (ANN)، مدل ترکیبی شبکه عصبی – موجک (WANN) و رگرسیون خطی چند متغیره (MLR)، برای پیش بینی یک ماه آینده یون نیترات و اکسیژن محلول ایستگاه پل خواب واقع در رودخانه کرج، مورد ارزیابی قرار گرفت. روش بررسی: از یک دوره آماری 11 ساله جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و اکسیژن محلول) توسط آنالیز موجک تجزیه شدند؛ سپس مجموع سری های زمانی موثر آنها به عنوان ورودی ANN به کار گرفته شد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی که دارای اهمیت بسزایی هستند، بررسی شد. کارایی مدل‌ها با ضریب تببین یا نش(E) و ریشه میانگین خطای مربع (RMSE) ارزیابی شدند. یافته‌ها: نتایج، حاکی از دقت و توانایی بالای مدل هیبرید شبکه عصبی- موجکی با رویکرد حذف نویزهای سری زمانی نسبت به دو مدل دیگر بوده است؛ بطوریکه مدل ترکیبی شبکه عصبی– موجکی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبکه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار% 35/60 و %75/93 و برای یون اکسیژن محلول، به اندازه %40/57 و %60/13 بهبود بخشد. نتیجه‌گیری: به لحاظ قابلیت بالای شبکه عصبی موجکی و حذف نویزهای سری های زمانی در پیش بینی پارامترهای کیفی آب رودخانه، این مدل می‌تواند، راهکاری مناسب و سریع در مدیریت برتر کیفیت منابع آب و اطمینان از نتایج پایش کیفی و کاهش هزینه های آن مطرح شود.

متن کامل [PDF 1258 kb]   (1161 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: آب
دریافت: ۱۳۹۳/۳/۲۳ | پذیرش: ۱۳۹۴/۴/۶ | انتشار: ۱۳۹۴/۴/۶

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصلنامه سلامت و محیط زیست می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2017 All Rights Reserved | Iranian Journal of Health and Environment

Designed & Developed by : Yektaweb