مدلسازی شکوفایی جلبک و تغذیه گرایی با روش شبکه عصبی مصنوعی و روش باکس-جنکینز (مطالعه موردی: سدکرج)

در سال های اخیر پدیده ی شکوفایی جلبک ها و تغذیه گرایی بعنوان معضل در حال رشد در مخازن و تالاب ها و دریاچه های کشور ما در آمده است؛ از آنجا که تحقیقات نسبتا کمی در این مورد در کشور ما صورت گرفته و روش های ارزیابی این پدیده عموما روش های ریاضی قدیمی هستند، بکار گیری روش شبکه عصبی برای مدل سازی این پدیده می تواند بسیار کارآمد، دقیق و گامی مهم در مدیریت مهندسی آب مخصوصا در منابع و مخازن مهم مانند سد کرج باشد. از آنجاییکه این سد آبرسانی و تامین آب کشاورزی و از مناطق ماهیگیری و رشد ماهی مورد نیاز چند استان اطراف من الجمله پایتخت را برعهده دارد، بررسی در مورد کیفیت آب آن در درجه اهمیت بالا قرار میگیرد. در این تحقیق از دو روش شبکه عصبی استاتیکی چندلایه پرسپترون (mlp ) و شبکه عصبی دینامیکی تاخیر زمانی (tdnn ) برای پیش بینی شکوفایی جلبک در سد کرج استفاده شد و با نتایج روش تحلیل آماری سری زمانی باکس جنکینز مقایسه گردید. برای این موضوع از داده های سال های 1380 تا 1390 شرکت آب منطقه ای تهران در دو ایستگاه بالادست و پایین دست (بیلقان) استفاده شد. برای انتخاب متغیرهای ورودی 7 سناریو به شبکه داده شد و با مقایسه نتایج سناریوها، آن گروه از پارامترها که عملکرد بهتری داشتند بعنوان ورودی انتخاب شدند. بنابراین داده های پارامترهای دما، کدورت، هدایت الکتریکی، اکسیژن محلول، نیترات، آمونیاک و فسفات برای ایستگاه بالادست ؛ و پارامترهای دما، جامدات محلول ، کدورت، هدایت الکتریکی، اکسیژن محلول، نیترات، نیتریت، آمونیاک و فسفات برای ایستگاه پایین دست بعنوان ورودی به شبکه داده شدند. نتایج نمودارهای مقایسه داده های پیش بینی شده با داده های واقعی نشان داد که شبکه عصبی دینامیکی (tdnn) با تاخیر زمانی یک ماهه با تعداد نرون های 15 و 33 به ترتیب برای لایه مخفی اول و دوم در ایستگاه بالادست و تعداد نرون های 15 و 12 به ترتیب برای لایه مخفی اول و دوم در ایستگاه پایین دست بهترین نتیجه را در میانگین اریب خطا (mbe=0.000) دارد. ضریب r2 در این حالت برابر 0.999 و ضریب توافق (ia = 0.999) بدست آمد که نشان از عملکرد مطلوب و مناسب آموزش شبکه می باشد. نتایج خطای میانگین مجذور مربعات (rmse=0.000) نشان از دقت و صحت بسیار بالای شبکه دینامیکی تاخیر زمانی می دهد. پس از شبکه دینامیکی، شبکه mlp با دو لایه مخفی با همان تعداد نرون با r2=0.981 و مقدار e برابر 0.993 برای ایستگاه پایین دست و 0.897= r2 و e=0.887 برای ایستگاه بالادست بهترین نتایج را داشتند. نتایج r2 حاصل از روش سری زمانی باکس جنکینز برای ایستگاه بالادست و پایین دست به ترتیب برابر 0.901 و 0.843 و مقادیر خطای rmse برای ایستگاه های یاد شده در این روش به ترتیب برابر 0.631 و 0.17 بدست آمد. با توجه به آنالیز حساسیت انجام شده، پارامتر نیترات (15.43%) و پس از آن جامدات محلول (tds) و سپس آمونیاک بیشترین تاثیر را بر روی روند تغذیه گرایی بر روی این سد داشتند. علاوه بر این کاهش مقدار نیتریت و فسفات هم بعنوان عوامل محدودکننده بودند. با مقایسه نتایج کلی شبکه ها می توان اظهار داشت که مدل های شبکه عصبی دارای عملکرد بهتری نسبت به روش تحلیل آماری باکس جنکینز هستند. نتایج مدل نشان داد که از شبکه عصبی دینامیکی بکار رفته در این تحقیق می توان بعنوان مدلی دقیق و کارآمد برای پیش بینی روند شکوفایی جلبک و تغذیه گرایی یک ماه آتی در مدیریت کیفی آب های مخازن و اکوسیستم استفاده نمود.