ملیکا حق پرست؛ مهدی مختارزاده
دوره 10، شماره 1 ، شهریور 1397، ، صفحه 91-108
چکیده
با توجه به وسعت جهانی منابع آب، اندازه‌گیری‌های زمینی از پارامترهای کیفی امکان‌پذیر نیست، همچنین نمونه‌برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان‌بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به‌عنوان مهم‌ترین پارامترهای کیفی آب با استفاده از شبکه‌های عصبی مصنوعی با دقت مناسب توسط پژوهشگران ...
بیشتر
با توجه به وسعت جهانی منابع آب، اندازه‌گیری‌های زمینی از پارامترهای کیفی امکان‌پذیر نیست، همچنین نمونه‌برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان‌بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به‌عنوان مهم‌ترین پارامترهای کیفی آب با استفاده از شبکه‌های عصبی مصنوعی با دقت مناسب توسط پژوهشگران انجام‌شده است. با توجه به مشکلاتی که در تهیه تعداد بالایی از داده‌های آموزشی در محیط‌های آبی وجود دارد استفاده از شبکه‌های ترکیبی مقاوم‌تری نظیر شبکه عصبی موجکی پیشنهادشده است. در این تحقیق انواع مختلفی از توابع موجک به‌عنوان تابع محرک شبکه مورداستفاده قرار گرفت و بهترین شبکه به‌منظور برآورد غلظت کلروفیل آ و کدورت به ترتیب شبکه‌های عصبی موجکی با تابع محرک مورلت و کلاه مکزیکی به دست آمد، داده‌های مورداستفاده محصول بازتاب اقیانوسی سنجنده مادیس است، به دلیل به‌کارگیری تصاویر چند زمانه نرمال‌سازی رادیومتریک داده‌ها انجام شد و نتایج نسبت به زمانی که از تصاویر نرمال نشده استفاده‌شده است، به‌صورت قابل‌توجهی بهبود یافت. در حالت چندزمانه علاوه بر افزایش تعداد داده‌های آموزشی، قابلیت تعمیم‌پذیری شبکه به سایر روزهایی که در آن تعداد داده میدانی کافی موجود نیست، فراهم‌شده است و دقت شبکه در این حالت در مقایسه باحالت تک زمانه افزایش یافت، درنهایت RMSE برای بهترین مدل به‌منظور برآورد کدورت و غلظت کلروفیل به ترتیب 047/0 و 071/0 به دست آمد که در مقایسه با دقت اندازه‌گیری میدانی 1/0، قابل‌قبول بوده و می‌تواند جایگزین مناسبی برای اندازه‌گیری‌های میدانی باشد.
