مدل های هیبرید موجک و شبکه عصبی برای پیش بینی پارامترهای کیفی (tds , ec) و رسوب در رودخانه ها

امروزه مدیریت در برداشت و مصارف آب به توان و پتانسیل آبدهی و کیفیت منابع آب وابسته است. از اینرو بررسی و پیش بینی تغییرات پارامترهای کیفی آب در طول یک رودخانه بایستی مورد توجه قرار گیرد. جهت تحقق این امر، مدل های متعددی در زمینه مدیریت و پیش بینی کیفیت آب استفاده می شود. پیش بینی دقیق سری زمانی، انگیزه محققان برای توسعه مدل های نو در زمینه مدیریت منابع آب می باشد. یکی از روشهایی که در سالهای اخیر در زمینه هیدرولوژی مورد توجه قرار گرفته، استفاده از موجک (wavelet) به عنوان روشی نوین و بسیار موثر در زمینه آنالیز سیگنال ها و سری های زمانی است. استفاده از موجک ها در زمینه پیش بینی های هیدرولوژیکی علاوه بر قابلیت های غیر ایستایی با توسل به قابلیت های چند رزولوشنی در حال گسترش است. تحقیق حاضر، به بررسی مدل های هیبرید موجک و شبکه عصبی در مقایسه با مدل شبکه عصبی مصنوعی و دیگر مدل ها برای پیش بینی پارامترهای کیفی و رسوب در رودخانه ها صورت گرفته است. در این تحقیق مدل های هیبرید موجک- عصبی شامل: مدل موجک- عصبی (زیرسری ها)، مدل موجک- عصبی (جمع زیرسری ها) و مدل موجک- عصبی (تاخیر زیرسری ها) استفاده شده است. مدل نوع سوم ابداعی این تحقیق بوده و ایده ای جدید در استفاده از موجک و شبکه عصبی برای پیش بینی سری های زمانی می باشد. نتایج مقایسات انجام یافته در مباحث مختلف این مطالعه، نشان دهنده برتری مدل هیبرید موجک- عصبی بالاخص مدل موجک- عصبی (تاخیر زیرسری ها) نسبت به مدل های دیگر بوده است.