مقاله تخمین پارامترهای کیفی رودخانه ی شاهرودچای اردبیل با استفاده از مدل هیبرید شبکه های عصبی - موجکی

بخشی از مقاله

چکیده

رودخانهها بعنوان اصلیترین منبع تأمینکننده نیاز شرب، کشاورزي و صنعت، از اهمیت خاصی برخوردار هستند و بعلت اینکه از بسترها و مناطق مختلفی میگذرند، نوسانات کیفی زیادي دارند. لذا بررسی و پیش-بینی تغییرات پارامترهاي کیفی رودخانهها، یکی از اهداف برنامهریزان و مدیران منابع آب می باشد. در این راستا تعداد زیادي مدلهاي کیفیت آب در زمینه مدیریت بهتر براي حفظ کیفیت آب گسترش یافته است. در این تحقیق از یک مدل تلفیقی موجکی و شبکه عصبیمصنوعی، جهت تخمین برخی از پارامترهاي کیفی آب - کل جامدات محلول، هدایت الکتریکی و نسبت جذبی سدیم - رودخانه شاهرودچاي اردبیل طی یک دوره آماري 20 ساله استفاده شده است، که با استفاده از توان بالاي موجک در شناسایی سیگنال ها و جداسازي سیگنال هاي خطا در ترکیب با شبکهعصبی براي تخمین پارامترهاي کیفی آب رودخانه مذکور مدل شبکه عصبیموجکی مورد تجزیه و تحلیل قرار گرفت و با مدل شبکه عصبیمصنوعی مقایسه گردید.

ارزیابی آنها توسط معیارهاي آماري ضریب همبستگی - - r، ریشه مربع میانگین خطا - RMSE - و میانگین قدر مطلق خطا - MAE - انجام پذیرفت. نتایج نشان داد که مدل بهینه شبکه عصبیموجکی با ضریب همبستگی بالاي0/99 قابلیت بالایی در تخمین پارامترSAR در ایستگاه درو دارد. همچنین در مورد پارامترهاي EC و TDS دقت بالا و میزان خطاي پایینتر مدل عصبیموجک نیز مشهود بود. با توجه به کارایی بالاي شبکه عصبیموجکی در پیشبینی پارامترهاي کیفی آب رودخانهها میتوان از این مدل جهت اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

کلید واژه: رودخانه شاهرودچاي اردبیل، شبکه عصبیموجکی، کل جامدات محلول، نسبت جذبی سدیم، هدایت الکتریکی

-1 مقدمه

رودخانهها و آبهاي جاري، از دیرباز مورد نیاز و توجه بشر بودهاند و براي بهرهبردن از منابع آبی مناسب، جوامع انسانی و مراکز صنعتی و کشاورزي و غیره معمولاً در نزدیکی رودخانهها برپا شدهاند. توسعه روزافزون فعالیتهاي کشاورزي و صنعتی و افزایش قابل توجه حجم فاضلابهاي شهري موجب آلودگی منابع آب، از جمله رودخانهها گشته، به نحوي که کیفیت این منبع حیاتی آب را در بسیاري از نقاط مورد مخاطره جدي قرار گرفته است .[1] با توجه به مشکلات کمی و کیفی منابع آب کشور و واقع شدن ایران در منطقه خشک و نیمه خشک و رویارویی با بحرانهاي کمآبی، تدوین برنامههاي مدیریت کیفی براي کلیه منابع آبی، راهکاري ضروري و غیر قابل اجتناب در جهت حفاظت و بهرهبرداري پایدار از منابع آبی است .[2] حفاظت کیفی آب رودخانهها نیاز به سرمایهگذاریهاي اضافی داشته و از طرفی ممکن است منجر به محدود کردن توسعه فعالیتها در حوضه آنها گردد، و در نتیجه اثرات اقتصادي قابل توجهی داشته باشد.

از اینرو بررسی و پیش بینی تغییرات پارامترهاي کیفی آب در طول یک رودخانه بایستی مورد توجه قرار گیرد. اطلاع از وضعیت کیفی آبهاي سطحی این امکان را فراهم میسازد تا ضمن استفاده از آن در موارد مختلف شیوههایی اتخاذ شود تا کمترین آسیب به این منبع وارد شود .[3] از جمله مهمترین معیارهاي کیفی در طبقهبندي آب از نظر کشاورزي، شوري و مقدار سدیم موجود در آن میباشدزیرا. این دو، نه تنها بر رشد گیاه موثرند، بلکه درجه تناسب آب را از نظر آبیاري و تاثیر آن بر نفوذپذیري خاك مشخص میسازند. شوري با معیار هدایت الکتریکی - Electrical Conductivity - و سدیم با معیار نسبت جذبی سدیم - Sodium Absorption Rate - سنجیده میشوند .[4] به علت اهمیت پارامترهاي کیفی ذکر شده براي مصارف کشاورزي اندازهگیري این پارامترها ضروري است. اندازهگیري این پارامترها در حجم بالا زمانبر، پرهزینه و نیازمند دقت بالایی میباشد به همین جهت انجام برخی روشهاي غیر مستقیم براي تخمین این پارامترها بیش از پیش نمایان میشود.

در زمینهي مدیریت کیفیت آب مدلهاي متعددي از قبیل QUAN2E ,QUAL2K ,WASP،WATEVAL و-HEC 5Qگسترش یافته است. این مدلها نیازمند پارامترهاي ورودي زیادي هستند که یادسترسی به آنها مشکل است و یا اندازهگیري آن محتاج صرفه هزینه و زمان زیادي میباشد 6] و .[5 باگسترش روز افزون روشهاي رایانهاي از جمله هوش مصنوعی - Artificial intelligence - ، استفاده از مدل شبکههاي عصبیمصنوعی - Artificial neural networks - ، به طور گستردهاي در مطالعات مربوط به تخمین پارامترهاي مختلف منابع آب مورد استفاده قرار گرفته ومحققان بر دقت بالاي این روش در مقایسه با روش تجربی و رگرسیونی تاکید نمودهاند .[6]

از جمله تحقیقات انجام شده در زمینه کاربرد شبکه عصبیمصنوعی در مسائل مربوط به کیفیت آب میتوان به مطالعه گلابی و همکاران [7] که به شبیه سازي پارامترهایی نظیر دبی، کربنات، بیکربنات، سولفات، کلرید، سدیم، کلسیم، منیزیم، پتاسیم، هدایت الکتریکی، نسبت جذب سدیم، کل املاح محلول با استفاده از دوره آماري 20 ساله - سالهاي - 83-64 در ایستگاههاي عربحسن، ولیآباد، ملاثانی، اهواز، دارخوین با بکارگیري نرمافزار Qnet 2000 پرداختند، اشاره کرد. نتایج نشاندهنده توانایی مناسب شبکههاي عصبی در شبیهسازي پارامترهاي مذکور با دقتی حدود 90 درصد میباشد. کرمی و همکاران [1] در تحقیقی به تهیه مدل پیش-بینی پارامترهاي کیفی آب شامل هدایت الکتریکی، نسبت جذب سدیم و کل املاح محلول با استفاده از پارامترهاي اندازهگیري شده در 4 ایستگاه موجود در رودخانه کارون پرداختند.

نتایج آنها نشان داد که شبکههاي عصبیمصنوعی توانایی بالایی در پیشبینی کیفیت آب رودخانه کارون دارد. نجاح وهمکاران [8] توانایی بالاي شبکه هاي عصبی را در تخمین شاخصهاي کیفی آب رودخانه جوهر - Johor river - مالزي و برآورد مقدار EC و کل جامدات محلول - Total - Dissolved Solids و کدورت در این حوضه را مورد تاکید قرار دادند. اسدااللهفردي و همکاران [9] توانایی دو مدل شبکه عصبی Multi-Layer Perceptron و Recurrent Neural Network را در تخمین شاخص کیفی آب رودخانه تلخه در آذربایجانشرقی براي برآورد پارامتر TDS در این حوزه را مورد بررسی قرار دادند. تئوري موجکی - wavelet - یکی از روشهاي علم ریاضی است که ایده اصلی آن برگرفته از تبدیل فوریه است. در این میان با ترکیب تئوري تبدیل موجک - Wavelet Transform - با نظریهي شبکههاي عصبی، یک شبکه تلفیقی به نام هیبرید شبکه عصبی-موجک - Wavelet - neural network پیشنهاد میشود که نیازمند پارامترهاي ورودي کمی نسبت به مدلهاي ذکر شده است. از جمله تحقیقات انجام شده در این زمینه میتوان به مطالعه گوانگ مینگ و همکاران [10] در ارزیابی کیفیت و تغذیه دریاچه دونگتینگ - Dongting Lake - با استفاده از مدل تلفیقی تبدیل موجکی و شبکههاي عصبیمصنوعی - WNN - در دو مرحله اشاره کردند. نتایج حاصل نشان داد که در هر دو دوره، کیفیت آب بسیار بد و تغدیه بسیار بالا موجب خشکسالی در این حوزه گردیده بود.

نورانی و همکاران [5] آنالیز موجک را با مفهوم شبکه عصبی فازي براي تخمین بارش حوضه لیقوان-چاي تبریز ارتباط دادند. نتایج آنها نشان داد که مدل پیشنهادي میتواند هر دو وقوع کوتاهمدت و بلندمدت بارندگی را به علت استفاده سريهاي زمانی چند مقیاسی - Multi-scale - از لایه ورودي شبکه عصبیمصنوعی تخمین کند. کریشنا و همکاران [6] به مقایسهي مدل تلفیقی عصبیموجک با دو مدل از شبکه عصبی ANN و AR براي مدلسازي جریان رودخانه مالاپرابها - Malaprabha - پرداختند و به این نتیجه رسیدند که مدل عصبیموجک نتایج بهتري را نسبت به دو مدل ANN و AR ارائه میدهد. هدف اصلی از این تحقیق توسعه یک مدل تلفیقی عصبیموجکی و مقایسه آن با مدل شبکه عصبیمصنوعی پرسپترون چند لایه در تخمین و شبیهسازي پارامترهاي کیفی کل جامدات محلول - TDS - ، هدایت الکتریکی - EC - ، نسبت جذبی سدیم - SAR - رودخانهي شاهرودچاي در ایستگاه هیدرومتري درو میباشد.

-2 مواد و روشها

شبکهي عصبی مصنوعی پرسپترون چند لایه - Multi-Layer Perceptron - شبکههاي عصبی در طی دهههاي اخیر بعنوان ابزاري مفید و قابل اعتماد جهت مدلسازي بین متغیرهاي مختلف، شناخته شده و مورد توجه قرار گرفتهاند. شبکههاي عصبی با استفاده از مجموعههاي ورودي و خروجی روابط موجود بین آنها را تخمین زده واصطلاحاَ آموزش میبینند، به نحوي که پس از آن به ازاي یک عضو جدید از مجموعهي ورودي، خروجی متناظر آن را تقریب میزنند. در گزارش کمیتهي تحقیق جامعهي مهندسین عمران آمریکا بر استفاده از شبکههاي عصبی به عنوان گزینههاي مفید و ارزشمند در مدلسازيهاي مختلف هیدرولوژیکی تاکید شده است .[11] همچنین شبکه عصبی پرسپترون چند لایه با یک لایهي ورودي آغاز و به یک لایهي خروجی ختم میشود. میان این دو لایه، میتواند چندین لایهي پنهان وجود داشته و اطلاعات ورودي پس از پردازش در نرونهاي لایهي پنهان به لایهي خروجی هدایت شوند .[12] نماي شماتیک این شبکه در شکل 1 نشان داده شده است.