پیش بینی چند ایستگاهه نیترات با بهره گیری از ابزار هوش مصنوعی و محاسبات نرم

در این مقاله مدل سازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشه های خود سازمانده و مدل های هوش مصنوعی انجام گردید. به طوری که سری های زمانی رواناب- نیترات توسط تبدیل موجک تجزیه گشته و سپس زیرسری های تجزیه شده توسط نقشه های خود سازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدل های هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی نیترات خروجی حوضه آبریز LRW به کار گرفته شد. مدل سازی چند ایستگاهه نیترات بر اساس خاصیت فصلی بودن انجام شده و با مدل سازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدل های هوش مصنوعی ترکیب شده با تبدیل موجک، نقشه های خود سازمانده و اطلاعات مشترک توانایی پیش بینی نیترات چند ایستگاهه را نسبت به مدل های هوش مصنوعی که از خاصیت مارکف بهره می برند تا حد قابل قبولی بهبود می بخشد. به طور کلی، استفاده از خاصیت فصلی بودن پدیده ها به همراه کاهش ابعاد ورودی ها، می تواند به مدل های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.