الناز شرقی - استادیار دانشکده مهندسی عمران، دانشگاه تبریز
وحید نورانی - استاد دانشکده مهندسی عمران، دانشگاه تبریز
غلامرضا عندلیب - دانشجوی دکتری مهندسی عمران- آب و سازههای هیدرولیکی، دانشکده مهندسی عمران، دانشگاه تبریز

در این مقاله مدلسازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشه های خود سازمانده و مدلهای هوش مصنوعی انجام گردید. به طوری که سریهای زمانی رواناب- نیترات توسط تبدیل موجک تجزیه گشته و سپس زیرسریهای 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 مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی نیترات خروجی حوضه آبریز LRW به کار گرفته شد. مدلسازی چند ایستگاهه نیترات بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، نقشه های خود سازمانده و اطلاعات مشترک توانایی پیش بینی نیترات چند ایستگاهه را نسبت به مدلهای هوش مصنوعی که از خاصیت مارکف بهره میبرند تا حد قابل قبولی بهبود میبخشد. به طور کلی، استفاده از خاصیت فصلیبودن پدیده ها به همراه کاهش ابعاد ورودیها، میتواند به مدلهای هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.

اطلاعات مشترک، تبدیل موجک، نقشه های خودسازمانده، هوش مصنوعی، حوضه آبریز .LRW