Prediction ofWater Sodium Absorption Ratio (SAR) using ANN andWavelet Conjunction Model (Case Study: Rudbar Station of Sefidrud River)

Document Type : Research Paper

Authors

Abstract

One of the most important factors of sustainable development of watersheds is qualitative and
quantitative availability of suitable water resources. In this study, the artificial neural network (ANN),
multi - variable linear regression (MLR), genetic programming (GP) and hybrid wavelet -ANN
(WANN) models were considered for modeling the monthly sodium absorption ratio (SAR) in
Sefidrud River - Roudbar Station, and the effect of data preprocessing on model performance was
investigated using the discrete wavelet Transform method. For this purpose, observed time series of
river discharge and SAR were decomposed into several sub - time series at different scales by discrete
wavelet transform. Then these sub - time series were introduced as inputs to the ANN model. The
results showed that the hybrid wavelet - neural network model was more suitable for predicting
maximum SAR values than the MLR, ANN, and GP models. Furthermore, the hybrid model could
simulate the hysteresis phenomenon for SAR modeling rigorously, while multi linear regression
method was incapable of detecting it.

Keywords

Main Subjects


منابع مورداستفاده
باقرزاده آ، 1377. مدیریت زیست­محیطی رودخانه سفیدرود قبل و بعد از بازشدن دریچه­های تخلیه رسوبات سد منجیل، پایان­نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران.
بانژاد، ح، کمالی م، امیرمرادی ک و علیائی ا، 1392. تخمین برخی پارامترهای کیفی رودخانه­ها با استفاده از مدل هیبرید شبکه­های عصبی–موجکی (منطقه مطالعاتی: رودخانه جاجرود تهران و قره­سو کرمانشاه)، مجله سلامت و محیط، فصلنامه­ علمی پژوهشی انجمن علمی بهداشت محیط ایران، دوره 6 ، شماره 3، صفحه­های 277 تا 294.
رجائی ط و میر باقری ا، 1388. مدل بار معلق رودخانه­ها با استفاده از شبکه­های عصبی مصنوعی. نشریه دانشکده مهندسی دانشگاه فردوسی مشهد، جلد 21، شماره 1, صفحه­های 27 تا 43.
رضوی پاریزی ا، 1390، مقدمه­ای بر تحلیل رگرسیون خطی (ترجمه)، انتشارات دانشگاه شهید باهنر کرمان.
نوشادی م، سالمی ح و احمدزاده م، 1386. شبیه­سازی و پیش­بینی برخی از پارامترهای کیفیت آب رودخانه زاینده رود با استفاده از شبکه عصبی مصنوعی. نشریه آب و فاضلاب، شماره 64، صفحه­های 49 تا 65.
نیکو م، نیکو م­ه، بابایی نژاد ت، امیری آ و رستم پور ق، 1390. تعیین کیفیت آب در طول مسیر رودخانه با استفاده از شبکه­های عصبی مصنوعی تکاملی (مطالعه موردی رودخانه کارون بازه شهید عباسپور-عرب اسد). فصلنامه تخصصی علوم و مهندسی آب، سال 1، شماره 1، صفحه­های 45 تا 58.
Asadollahifari G, Hemati A, Moradinejad S and Asadollahifardi R, 2013. Sodium adsorption ratio (SAR) prediction of the chalghazi river using artificial neural network (ANN) iran. Current World Environment 8(2): 169-178.
Longqin Xu and Shuangyin Liu, 2013. Study of short-term water quality prediction model based on wavelet neural network. Elsevier, Journal of Mathematical and Computer Modeling 58: 807-813.
Nourani V, Alami MT and Aminfar MH, 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Application of Artificial Intelligence 22: 146-477.
Palani S, Shie-Yui Liong and Tkalich P, 2008. An ANN application for water quality forecasting. Marine Pollution Pulletin 56: 1586-1597.
Qian-JinL, Zhi-HueS, Nu-FangF, Hua-DeZ and Lei A, 2013. Modeling the daily suspended sediment concentration in a hyperconcentrated river on the Loess Plateau, China, using the Wavelet–ANN approach. Geomorphology 186: 181-190.
Rajaee T, 2011. Wavelet - ANN combination model for prediction of daily suspended sediment load in rivers. Science of the Total Environment 409: 2917-2928.
Rajaee T, Nourani V, Zounemat-Kermani M and Kisi O, 2011. River suspended sediment load prediction: Application of ANN and Wavelet conjunction. Journal of Hydrologic Engineering 16: 613-627.
Singh, R, 2012. Wavelet-ANN model for flood events. Advances in Intelligent and Soft Computing 131: 165-175.
Williams G, 1989. Sediment concentration versus water discharge during single hydrologic events in rivers. Journal of Hydrologic Engineering 111: 89-106.