بخشی از مقاله
چکیده
در جامعه امروز با توجه به کاهش منابع آب، استفاده بهینه از آن به عنوان یک هدف کلی مدنظر بوده و با چنین دیدگاهی اولین قدم، برنامه ریزي و تصمیم گیري درست و اصولی در راستاي مدیریت کیفی و حفاظت از منابع آبی موجود می باشد. در این مطالعه به منظور بررسی، پیش بینی و شبیه سازي کیفیت آب از داده هاي ماهانه ي برخی پارامترهاي کیفی از جمله EC، HCO3، Cl، Ca، Mg، TDs، Na، SAR، SO4، PHو دبی بادوره آماري 15ساله - - 74-88 در ایستگاه آستانه ي رودخانه سفیدرود استفاده شد.
شبکه مورد استفاده براي مدلسازي، شبکه عصبی مصنوعی از نوع پرسپترون چندلایه با روش پیشخور پسانتشار خطا - - FFBPو تابع آموزش و انتقال لونبرگ-مارکورآت و Logsigمی باشد.براي پیش بینی هر یک از پارامترهاي سولفات - SO4 - و درصد جذب سدیم در آب - SAR - ، ترکیبات ورودي مختلفی وارد شد که با استفاده از سه شاخص ضریب همبستگی - R - ، جذر میانگین مربعات خطا - RMSE - و میانگین قدر مطلق خطا - MAE - مورد مقایسه قرار گرفتند و براي بهترین ساختار با تعداد نرون بهینه، ضریب کارایی نش- ساتکلیف - NS - محاسبه شد. نتایج نشان داد که مدل شبکه عصبی در پیش بینی دو پارامتر فوق به خوبی عمل کرده است.
-1 مقدمه
حفاظت و استفاده بهینه از منابع آب از اصول توسعه پایدار هر کشور می باشد. آب هاي سطحی از منابع مهم تأمین آب آشامیدنی هستند و خطر ورود آلاینده به این منبع از نگرانی هاي قابل توجه در سراسر جهان است. در کشورهایی مانند ایران که با کمبود منابع آبی مواجه میباشد، توجه به منابع آب سطحی به عنوان یکی از منابع مهم تأمین نیازهاي آب شرب و مصارف بهداشتی از اهمیت بالاییبرخوردار است. رشد روز افزون جمعیت،توسعه اراضی کشاورزي در مناطق خشک و نیمه خشک ایران، گسترش صنایع، توزیع ناهمگون زمانی و مکانی آب شیرین به لحاظ کمی، مشکلات کیفی منابع آبی راروزافزون کرده و در بسیاریاز مناطق، تأمین آب مطمئن را به یکی از چالشهاي اساسی حال حاضر تبدیل نمودهاست.
در همین راستا بنیادي ترین عامل در برنامه ریزي مدیریتی کیفیت منابع آب، شناخت کافی از شرایط منطقه و مشخصات فیزیکی، شیمیایی و بیولوژیکی آب رودخانه و نیز تغییرات پارامترهاي کیفی در آینده است. این در حالی است که مدل هاي غیر مستقیم تحلیلی که براي بررسی و پیش بینی کیفیت آب هاي سطحی استفاده می شود اغلب نیازمند اطلاعات ورودي فراوان و غیر قابل دسترس هستند. به علت ناتوانی روش هاي تحلیلی، در دهه هاي اخیر استفاده از روش هاي هوشمند جهت شبیه سازي و پیش بینی پدیده ها بسیار متداول شده است.در این بین مدل هاي شبکه عصبی مصنوعی به دلیل قابلیت پیش بینی و مدلسازي غیرخطی نشأت گرفته از خصوصیات و ماهیت واقعی اکوسیستم ها بسیار کاربردي می باشد.
مدل هاي شبکه عصبی مصنوعی در مورد فرآیندهایی که تعریف دقیق و کاملی از فیزیک آنها وجود ندارد بسیار مؤثر عمل می کند. خصوصیت دیگر این مدل ها، حساسیت کمتر آنها نسبت به وجود خطا در ورودي ها می باشد.بررسی نتایج تحقیقات انجام شده کارایی مدل شبکه عصبی را به عنوان جایگزینی مطمئن براي روش هاي مدل سازي سنتی در پیش بینی پارامترهاي کیفی رودخانه ها به اثبات رسانده است. برخی از این تحقیقات به شرح زیر می باشند.
[1] - 1996 - Maier and Dandy، تخمین میزان شوري رودخانه ماري را با استفاده از شبکه عصبی مصنوعی انجام دادند و به این نتیجه رسیدند که مدل شبکه عصبی ابزار دقیقی در تخمین میزان کیفیت آب رودخانه می باشد.Diamantopoulou و همکاران [2] - 2005 - ، بر روي 12 پارامتر کیفی رودخانه Axios کار کردند. این 12 پارامتر شامل دماي آب، EC، DO، HCO3، SO4، C، Na، Mg، Ca، NO3، NH4و TP می شدند. البته دبی آب نیز بکار برده شد.آنها دریافتند که شبکه عصبی، بسیار توانا در تخمین پارامترهاي کیفی آب رودخانه می باشد.
Dugan و همکاران [3] - 2007 - ،از شبکه هاي عصبی مصنوعی براي تخمین غلظت BOD با استفاده از داده هاي مربوط به 11 ایستگاه بر رودخانه Melen در سال 2002-2001 شامل COD، دما، DO، دبی، کلروفیل، آمونیاك، نیتریت و نیترات، استفاده کردند. مقایسه نتایج نشان داد که مدل شبکه عصبی تخمین قابل قبولی براي غلظت BOD ارائه می دهد.
پالانی و همکاران [4] - 2008 - ، از شبکه هاي عصبی براي پیش بینی مشخصات کیفی آب هاي ساحلی سنگاپور استفاده کردند. آن ها مدل خود را براي ارزیابی و پیش بینی پارامترهاي کیفی آب در هر نقطه در محدوده مورد مطالعه با توجه به پارامترهاي اندازه گیري شده در دیگر نقاط راه اندازي نمودند. نتایج نشان داد که شبکه عصبی توانایی فوق العاده اي در شبیه سازي پارامترهاي کیفی آب دارد.
Singh و همکاران - [5] - 2009، مدل شبکه عصبی مصنوعی را براي تخمین اکسیژن مورد نیاز بیولوژیکی - BOD - رودخانه Gomti در هند توسعه دادند. ورودي مدل ارائه شده عبارت است از 11 پارامتر کیفی آب که طی 10 سال بطور ماهانه در 8 ایستگاه مختلف، اندازه گیري شده بود. نتایج مدل، تطبیق خوبی با مقادیر اندازه گیري شده و مورد انتظار براي غلظت هاي رودخانه داشت.رجایی و همکاران [6] - 2011 - ، طی مقاله اي با مدل ترکیبی موجک و شبکه عصبی بار معلق روزانه رودخانه را پیش بینی کردند. مقایسه نتایج، توانایی بالاي ترکیب موجک و شبکه عصبی نسبت به دیگر روش ها براي محاسبه بار معلق رسوب رودخانه مشخص گردید.
رجایی و همکاران - [7] - 1388، در پیش بینی بار معلق رودخانه ها از شبکه عصبی مصنوعی استفاده کرده اند. ایشان در تحقیق خود با دادن سري زمانی، دبی جریان و غلظت بار معلق در زمان هاي قبل، توانستند غلظت بار معلق در زمان آینده را پیش بینی نمایند.خردمند و سلیمانی - [8] - 1391، با استفاده از شبکه هاي عصبی مصنوعی پرسپترون چندلایه - MLP-NN - ، اکسیژن محلول - - DO در مخزن سد لتیان را پیش بینی کردند. نتایج، نشان دهنده توانایی مدل شبکه عصبی در پیش بینی این پارامتر بود.
رجایی و همکاران [9] - 1388 - ، در مقاله اي از شبکه هایعصبی براي مدل کردن pH رودخانه ها استفاده کرد و سري زمانی pH را پیش بینی نمودند. در ادامه، نتایج مدلها با روش رگرسیونی مورد مقایسه قرار گرفت که نتایج حاکی از برتري مدل شبکه عصبی بوده است. در مقاله ي حاضر با استفاده از شبکه عصبی مصنوعی، دو پارامتر سولفات و درصد سدیم جذبی آب ایستگاه آستانه ي رودخانه سفیدرود، با استفاده از سایر پارامترهاي کیفی ارائه شده است. به منظور آنالیز حساسیت براي هر یک از دو پارامتر فوق، ورودي هاي مختلفی درنظر گرفته شده و بر اساس سعی و خطا تعداد نرون بهینه در لایه ي پنهان بدست آمده است.
.2 مواد و روشها
.1-2 منطقه مورد مطالعه
رودخانه سفیدرود با وسعتی حدود 67000 کیلومترمربع یکی ازبزرگترین و پرآب ترین رودخانه هاي کشور است و از مهمترین رودخانه هاي حوضه آبریز دریاي خزر می باشد و همچنین از مهمترین منابع تجدید شونده آب شیرین جهت استفاده در امور کشاورزي، شرب و صنعت به شمار می رود. منطقه مورد مطالعه در جلگه ساحلی جنوب دریاي خزر و در دامنه شمالی رشته کوه هاي البرز و تالش از محل سفیدرود - منجیل - تا دریاي خزر بین 49 درجه و 15 دقیقه تا 50 درجه و 15 دقیقه طول شرقی و 36 درجه و 45 دقیقه تا 37 درجه و 30 دقیقه عرض شمالی واقع شده است.
رودخانه سفیدرود، از سرچشمه قزل اوزن تا مصب آن - دریاي خزر - حدود 786 کیلومتر و از منجیل تا زیباکنار 142 کیلومتراست .[10] این حوضه آبریز بخشهایی از استانهاي گیلان، اردبیل، آدربایجان شرقی، زنجان، قزوین، کردستان، تهران، همدان و آذربایجان غربی را شامل می شود. عرض رودخانه از 100 تا 250 متر و عمق آن از 2 تا 8 متر تغییر می کند. این رودخانه شامل یک شاخه اصلی و حدود 27 شاخه فرعی مهم است، مسیر عمومی رودخانه به سوي شمال خاوري است.
با توجه به اهمیت این رودخانه،ضرورت توجه و کنترل آلودگی هاي وارده به رودخانه در مدیریت آن اهمیت ویژه اي دارد. داده هاي مورد نیاز براي انجام این پژوهش از شرکت مدیریت منابع آب ایران اخذ شده است. براي پیش بینی پارامترهاي کیفی رودخانه سفیدرود از داده هاي ثبت شده در ایستگاه آستانه استفاده شده است. پس از بررسی داده ها، دوره هاي مربوط به آموزش و آزمون مدل شبکه عصبی انتخاب شد. از دوره 186 ماهه مربوط به سالهاي 74 تا شهریور سال 1388، معادل %75 کل داده ها 140 - ماه - براي آموزش و 46 - %25ماه - به منظور آزمون مدل ها مورد استفاده قرار گرفت.
.2-2 شبکه عصبی مصنوعی
شبکه هاي عصبی مصنوعی، براي نخستین بار در سال 1943 توسط مک کولاك و پیتس معرفی شد، که بعدها با توسعه رایانه ها و نیز ظهور الگوریتم آموزش پس انتشار خطا براي شبکه هاي پیشخور در سال 1986 توسط راملهارت و همکاران استفاده از آنها وارد مرحله تازه اي گردید .[11
