fa پیش بینی پارامترهای کیفی (NO3 ,DO) رودخانه کرج با استفاده از مدل های ANN، MLR و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی آب WATER پژوهشي Research <p>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.</p> <p>Background & Objectives: The prediction and quality control of the Karaj River water, as one of the important needed water supply sources of Tehran, possesses great importance. In this study, performance of artificial neural network (ANN), combined wavelet-neural network (WANN), and multi linear regression (MLR) models were evaluated to predict next month nitrate and dissolved oxygen of “Pole Khab” station located in Karaj River. Materials and Methods: A statistical period of 11 years was used for the input of the models. In combined WANN model, the real monthly-observed time series of river discharge (Q) and the quality parameters (nitrate and dissolved oxygen) were analyzed using wavelet analyzer. Then, their completely effective time series were used as ANN input. In addition, the ability of all three models were investigated in order to predict the peak points of time-series that have great importance. The capability of the models was evaluated by coefficient of efficiency (E) and the root mean square error (RMSE). Results: The research findings indicated that the accuracy and the ability of hybrid model of wavelet neural network with the attitude of elimniations of time series noise had beeb better than the other two modes so that hybrid model of Wavelet artificial neural network wase able the improve the rate of RMSE for Nitrate ions in comparison with neural network and multiple linear regression models respectively, amounting to 35.6% and 75.92%, for Dissolved Oxygen ion as much as 40.57% and 60.13%. Conclusion: owing of the high capability wavelet neural network and the elimination of the time series noises in the prediction of quality parameters of river’s water, this model can be convenient and fast way to be proposed for management of water quality resources and assursnce from water quality monitoring results and reduction its costs.</p> رودخانه کرج, شبکه عصبی, تبدیل موجک, یون نیترات و اکسیژن محلول, نویززدایی Karaj river, Neural Network, Wavelet analysis, Nitrate and Dissolved Oxygen ions, Denoising 511 530 http://ijhe.tums.ac.ir/browse.php?a_code=A-10-468-1&slc_lang=fa&sid=1 T Rajaee طاهر رجایی No Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran دکتری آب- محیط زیست، استادیار گروه مهندسی عمران، دانشگاه قم R Rahimi Benmaran رقیه رحیمی بنماران r.rahimi_b@yahoo.com Yes Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran کارشناس ارشد سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه قم H Jafari حمیده جعفری No Department of Civil Engineering, Faculty of Engineering, University of Qom, Qom, Iran کارشناس ارشد سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه قم