فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله مدل­سازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشه­های 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 نقشه­های خود سازمانده خوشه­بندی 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 پیش­بینی 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، نقشه­های خود سازمانده و اطلاعات مشترک توانایی پیش­بینی 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 پدیده­ها به همراه کاهش ابعاد ورودی­ها، می­تواند به مدل­های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده­های مشاهداتی کمک کند.