مسعود کرباسی؛ سعیده دیندار
دوره 16، شماره 4 ، دی 1397، ، صفحه 135-152
چکیده
سابقه و هدف:
افزایش تقاضای آب و گسترش آلودگی منبع های آب در اثر افزایش فعالیت‌های کشاورزی، شهری و صنعتی موجب ایجاد مشکل های محیط زیستی در بسیاری از منطقه های جهان شده است. افزایش قابل توجه بار آلودگی و گوناگونی آلاینده‌ها‌ی مختلف شهری، کشاورزی و صنعتی نیاز به مدیریت تلفیقی کمی و کیفی سیستم‌های منبع های آب را بیش از پیش ...
بیشتر
سابقه و هدف:
افزایش تقاضای آب و گسترش آلودگی منبع های آب در اثر افزایش فعالیت‌های کشاورزی، شهری و صنعتی موجب ایجاد مشکل های محیط زیستی در بسیاری از منطقه های جهان شده است. افزایش قابل توجه بار آلودگی و گوناگونی آلاینده‌ها‌ی مختلف شهری، کشاورزی و صنعتی نیاز به مدیریت تلفیقی کمی و کیفی سیستم‌های منبع های آب را بیش از پیش ضروری ساخته است. پیش‌بینی‌های دقیق کوتاه مدت و بلند‌مدت پارامترهای کیفی رودخانه بویژه برای طراحی ساز‌ه‌های هیدرولیکی، برنامه‌ریزی آبیاری، بهره‌برداری بهینه از مخازن و برنامه‌ریزی محیطی ضروری است. با توجه به ویژگیهای تصادفی بودن رخدادهای هیدرولوژیکی، پیش‌بینی وضعیت آینده آب‌های سطحی همیشه با نبود قطعیت‌هایی همراه است. هدف پژوهش حاضر، بررسی عملکرد دو نوع شبکه عصبی مصنوعی MLP و GMDH بصورت تکی و همراه با تبدیل موجک گسسته (DWT1) برای پیش‌بینی دو پارامتر کیفی مهم هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) در ایستگاه هیدرومتری زمانخان رودخانه زاینده‌رود در 1، 2 و 3 ماه آینده است.
مواد و روش‌ها:
در پژوهش حاضر، داده‌های کیفیت آب رودخانه زاینده‌رود در ایستگاه زمانخان در طول سال‌های 1363 الی ۱۳۸۴ مورد استفاده قرار گرفت. از مجموع 22 سال داده، 15 سال ( کمابیش 70 درصد) برای آموزش و 7 سال ( 30 درصد) برای آزمون مدلهای توسعه داده شده مورد استفاده قرار گرفتند. دو نوع موجک مادر dmey و db4 مورد ارزیابی قرار گرفتند همچنین پارامترهای آماری نظیر RMSE و R2 برای بررسی عملکرد مدلها مورد استفاده قرار گرفتند.
نتایج و بحث:
نتایج نشان داد که استفاده از تبدیل موجک گسسته موجب بهبود عملکرد مدلها شده است. ترکیب‌های مختلفی از داده‌های ورودی (تأخیرهای مختلف) و دو نوع موجک‌های مادر مورد ارزیابی قرار گرفت. نتایج نشان داد که مدلهای ترکیبی موجک-MLP و موجک- GMDH در هر دو پارامتر کیفی EC و SAR در بازه‌های مورد پیش‌بینی نسبت به مدلهای تکی MLP و GMDH دارای توانایی و دقت بالاتری در پیش‌بینی می‌باشند. نتایج مدلهای بدون تبدیل موجک تنها در پیش‌بینی SAR یک ماه بعد عملکرد خوبی داشتند و قادر به پیش بینی‌های دو و سه ماه بعد نبودند. در پارامتر EC، مدلهای MLP و GMDH دارای عملکرد بهتری بودند. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی سالانه موجب افزایش دقت نمی‌شود و در برخی موارد حتی سبب کاهش دقت نیز می‌گردد. بررسی انواع موجک‌های مادر نیز نشان داد که موجک dmey مناسبترین نوع موجک برای پیش‌بینی پارامترهای کیفی EC و SAR می‌باشد. مقایسه دو مدل موجک-MLP و موجک- GMDH نشان دهنده برتری نسبی مدل موجک-MLP بود. با افزایش بازه پیش‌بینی از 1 ماه تا 3 ماه آینده دقت مدلها کاهش پیدا کرد. این کاهش دقت در پیش‌بینی پارمتر SAR بیشتر بود، بطوریکه R2 در پیش‌بینی 1 ماه بعد SAR برابر 936/0 و در پیش بینی 3 ماه بعد به 516/0 کاهش یافت. در پارامتر EC نیز R2 در پیش‌بینی 1 ماه بعد تا 3 ماه بعد از 981/0 به 641/0 کاهش یافت.
نتیجه‌گیری: نتایج تحقیق حاضر می‌تواند بعنوان مبنایی برای برنامه‌ریزی‌های آینده در مورد کیفیت آب مصرفی باشد. پیشنهاد می‌شود مدل بیان شده در پژوهش حاضر در دیگر رودخانه‌های کشور نیز مورد بررسی قرار گیرد. همچنین ترکیب دیگر مدلهای هوشمند نظیر ANFIS و SVM با تبدیل موجک نیز می توانند مورد بررسی و ارزیابی قرار گیرند.
مهدی پناهی؛ سیدحسن میرهاشمی
دوره 13، شماره 4 ، دی 1394، ، صفحه 53-58
چکیده
امروزه با توجه به خشکسالی های اخیر و گرمایش زمین مدل سازی و پیش بینی پارامترهای اقلیمی امری اجتناب ناپذیر به نظر م یرسد که در میان روش های موجود استفاده از الگوریتم های داده کاوی در پییش بینی عناصر اقلیمی کاربرد وسیعی پیدا کرده است، لذا در این پژوهش دو الگوریتم داده کاویCART و CHAID درپیش بینی دمای هوای ایستگاه سینوپتیک اراک مورد ارزیابی ...
بیشتر
امروزه با توجه به خشکسالی های اخیر و گرمایش زمین مدل سازی و پیش بینی پارامترهای اقلیمی امری اجتناب ناپذیر به نظر م یرسد که در میان روش های موجود استفاده از الگوریتم های داده کاوی در پییش بینی عناصر اقلیمی کاربرد وسیعی پیدا کرده است، لذا در این پژوهش دو الگوریتم داده کاویCART و CHAID درپیش بینی دمای هوای ایستگاه سینوپتیک اراک مورد ارزیابی قرار گرفتند. داده های هواشناسی شامل متوسط ساعات آفتابی، دمای نقطه شبنم، درصد رطوبت نسیبی، سرعت باد، کمبود فشار بخار اشباع طی دوره چهل وشش ساله (2335-1993) مورد استفاده قرار گرفته شد. پس از معرفی داده های هواشناسی به صورت متوسط ماهانه به عنوان متغییرهای ورودی و متوسط دمای ماهانه ماه بعد به عنوان متغییرهای خروجی ی بیه دو الگیوریتم میذکور، 2 الگوریتم ها توسط دو شاخص آمیاری ریریه همبسیتگی ( R (و متوسیط مطلق خطا (MAE) مورد ارزیابی قرار گرفتند . بر اساس دو شاخص آماری مدل درختی CHAID با مقدار 915.0 = R و 77.2 = MAE عملکرد بهتری در پیش بینی دمای متوسط ماه بعد نسبت به الگیوریتم CART داشته است.
