بهبود عملکرد مدل شبکه عصبی مصنوعی با کمک تبدیل موجک و روش PCA برای مدل سازی و پیش بینی اکسیژن مورد نیاز بیولوژیکی (BOD)

در دهه های اخیر، توسعه مدل‏های هوش مصنوعی برای پیش بینی پدیده های هیدرولوژیکی کاربرد زیادی پیدا کرده است. در این مطالعه، توانایی مدل‏های شبکه عصبی مصنوعی به منظور مدل‏سازی و پیش‏بینی اکسیژن مورد نیاز بیولوژیکی (BOD) در رودخانه کارون واقع در غرب کشور ایران ارزیابی شد. به منظور بهبود نتایج شبیه‏سازی از آنالیز موجک به عنوان مدل ترکیبی استفاده شد. سری زمانی ماهانه شاخص BOD رودخانه کارون در ایستگاه ملاثانی به مدت 13سال (1381 1393) و با استفاده از متغیرهای کمکی اکسیژن محلول (DO)، جریان رودخانه و دمای ماهانه شبیه‏سازی شد. بهترین ورودی مدل‏های به کار گرفته شده با استفاده از روش تجزیه و تحلیل مولفه های اصلی (PCA) انتخاب شد. برای ارزیابی و مقایسه عملکرد مدل‏ها از جذر میانگین مربعات خطا (RMSE)، ضریب تعیین (R2) و معیار اطلاعاتی آکائیک (AIC) استفاده شد. نتایج به دست آمده بیانگر آن بود که شبکه عصبی مصنوعی میزان خطای 0412/0 و ضریب تعیین 76/0 دارد و اعمال تبدیل موجک روی داده های ورودی مدل، سبب بهبود نتایج تا ضریب تعیین 89/0 و میزان خطای 0273/0 شد.