سابقه و هدف: افزایش تقاضای آب و گسترش آلودگی منبع های آب در اثر افزایش فعالیت های 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 آلاینده ها ی مختلف شهری، کشاورزی و صنعتی نیاز به مدیریت تلفیقی کمی و کیفی سیستم های منبع های آب را بیش از پیش ضروری ساخته است. پیش بینی های دقیق کوتاه مدت و بلند مدت پارامتر های کیفی رودخانه بویژه برای طراحی ساز ه های هیدرولیکی، برنامه ریزی آبیاری، بهره برداری بهینه از مخازن و برنامه ریزی محیطی ضروری است. با توجه به ویژگی های تصادفی بودن رخدادهای هیدرولوژیکی، پیش بینی وضعیت آینده آب های سطحی همیشه با نبود قطعیت هایی 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 پیش بینی دو پارامتر کیفی مهم هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) در ایستگاه هیدرومتری زمانخان رودخانه زاینده رود در 1، 2 و 3 ماه آینده است. مواد و روش ها: در پژوهش حاضر، داده های کیفیت آب رودخانه زاینده رود در ایستگاه زمانخان در طول سال های 1363 الی 1384 مورد استفاده قرار گرفت. از مجموع 22 سال داده، 15 سال ( کمابیش 70 درصد) برای آموزش و 7 سال ( 30 درصد) برای آزمون مدل های 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 مدل ها مورد استفاده قرار گرفتند. نتایج و بحث: نتایج نشان داد که استفاده از تبدیل موجک گسسته موجب بهبود عملکرد مدل ها شده است. ترکیب های مختلفی از داده های ورودی (تأخیرهای مختلف) و دو نوع موجک های مادر مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های ترکیبی موجک-MLP و موجک-GMDH در هر دو پارامتر کیفی EC و SAR در بازه های مورد پیش بینی نسبت به مدلهای تکی MLP و GMDH دارای توانایی و دقت بالاتری در پیش بینی می باشند. نتایج مدل های بدون تبدیل موجک تنها در پیش بینی SAR یک ماه بعد عملکرد خوبی داشتند و قادر به پیش بینی های دو و سه ماه بعد نبودند. در پارامتر EC، مدل های MLP و GMDH دارای عملکرد بهتری بودند. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی سالانه موجب افزایش دقت نمی شود و در برخی موارد حتی سبب کاهش دقت نیز می گردد. بررسی انواع موجک های مادر نیز نشان داد که موجک dmey مناسبترین نوع موجک برای پیش بینی پارامترهای کیفی EC و SAR می باشد. مقایسه دو مدل موجک-MLP و موجک-GMDH نشان دهنده برتری نسبی مدل موجک-MLP بود. با افزایش بازه پیش بینی از 1 ماه تا 3 ماه آینده دقت مدل ها کاهش پیدا کرد. این کاهش دقت در پیش بینی پارمتر SAR بیشتر بود، بطوریکه R2 در پیش بینی 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 پیش بینی 1 ماه بعد تا 3 ماه بعد از 981/0 به 641/0 کاهش یافت. نتیجه گیری: نتایج تحقیق حاضر می تواند بعنوان مبنایی برای برنامه ریزی های آینده در مورد کیفیت آب مصرفی باشد. پیشنهاد می شود مدل بیان شده در پژوهش حاضر در دیگر رودخانه های کشور نیز مورد بررسی قرار گیرد. همچنین ترکیب دیگر مدل های هوشمند نظیر ANFIS و SVM با تبدیل موجک نیز می توانند مورد بررسی و ارزیابی قرار گیرند.

فرآیند بارش-رواناب از مهمترین و پیچیده ترین پدیده ها در چرخه هیدرولوژی بوده لذا در مدل سازی آن، دیدگاه های متفاوتی برای توسعه و بهبود مدل های پیش بینی کننده ارائه گردیده است. بدیهی است درک صحیحی از رفتار حوضه می تواند نقش موثری در انتخاب مدل و همچنین صرفه جویی در زمان مربوط به امر شبیه سازی ایفا نماید. مطالعات پیشین نشان داده است که جهت مدل سازی حوضه های آرام که معمولا دارای الگوی منظم بارش هستند، مدل های چندخطی عملکرد قابل قبولی دارند. در این مطالعه ضمن معرفی مدل ترکیبی چندخطی موجک-درخت تصمیم، کارایی آن جهت مدل سازی فرآیند بارش-رواناب حوضه آبریز آجی چای مورد مطالعه قرار گرفت. در ابتدا سری های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس زیرسری های حاصله به عنوان ورودی به مدل M5 درختی اعمال شد تا پس از طبقه بندی داده ها، رگرسیون مربوط به هر خوشه ارائه شود. در ادامه نتایج با سایر مدل ها (مدل های ANN، M5 و WANN) مقایسه گردید که برای این منظور از دو معیار ریشه میانگین مربعات خطا و ضریب تبیین جهت ارزیابی نتایج استفاده شد. نتایج نشان داد که برای حوضه نسبتا آرام آجی چای عملکرد مدل ترکیبی پیشنهادی موجک-درخت تصمیم نسبت به مدل خام M5 درختی تا 69 درصد بهبود می یابد.

چالش منابع آب امروزه مشکل بسیاری از کشورهای خاورمیانه است و این واقعیت در مورد دریاچه ارومیه که تراز سطح آب آن، با توجه به تغییرات بارش، خشک سالی و سدسازی دچار تغییرات و نوسانات زیادی شده است، دارای اهمیت بیشتری می باشد. هدف اصلی این مقاله بررسی قابلیت روش پویایی سیستم، SD (system Dynamic)، برای پیش بینی نوسانات سطح آب با استفاده از شبکه عصبی فازی تطبیقی موجکی، WANFIS (Wavelet Adaptive Neuro-Fuzzy Inference systems)، می باشد. به همین دلیل، یک مدل شبیه سازی بر پایه پویایی سیستم برای حوضه آبریز دریاچه ارومیه توسعه داده شد. سپس، برای پیش بینی سطح آب، عوامل موثر بر آن مانند بارش، دبی و تبخیر با استفاده از مدل WANFIS پیش بینی شده و نتایج حاصل از پیش بینی وارد مدل پویایی سیستم می گردد و سپس سطح آب محاسبه می شود. نتایج مدل سازی نشان داد که مدل ترکیبی پویایی سیستم و شبکه عصبی فازی تطبیقی موجکی (SD-WANFIS) دارای عملکرد مناسبی می باشد. مقادیر شاخص های آماری مانند جذر میانگین مربعات خطا و ضریب تبیین برای مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی در مرحله صحت سنجی به ترتیب 31/0 متر و 84/0 می باشد. درحالی که این شاخص ها برای مدل جعبه سیاه خطی خود همبسته میانگین متحرک تلفیق شده، ARIMA (Auto Regressive Integrated Moving Average) برابر 61/0 متر و 53/0 می باشند. این نتایج نشان داد که ترکیب این دو مدل SD و مدل فازی WANFIS جهت پیش بینی با دقت مناسب، مفید می باشد.