@article { author = {Zamanzad Ghavidel, Sarvin and Montaseri, Majid and Sanikhani, Hadi}, title = {Moldeling Of Dissolved Solids By Using Hybrid Soft Computing Methods (Case Study: Nazluchay Basin)}, journal = {Iranian journal of Ecohydrology}, volume = {4}, number = {4}, pages = {983-996}, year = {2017}, publisher = {Faculty of New Sciences and Technologies, University of Tehran}, issn = {2423-6098}, eissn = {2423-6101}, doi = {10.22059/ije.2017.63230}, abstract = {Rivers has important roles in providing drinking and agricultural water supply. In this study, single and hybrid-wavelet methods of artificial neural networks, adaptive neuro fuzzy inference system and Gene expression programming were validated total dissolved solids modelling of Nazluchay Basin. Therefore, water quality data with 19 years length (1993-2011), four hydrometric stations at Nazluchay Basin, were used. After validating of data and selected stations, the data were analyzed by using Daubechies-4 wavelet transform. For modelling 80% of data for training and 20% of data for testing of the model were used. The evaluation of models performance is applied based on different statistical tests, correlation coefficient, and mean root of error squares and mean absolute error. The results indicate acceptable performance of all single and hybrid-wavelet methods of artificial neural networks, adaptive neuro fuzzy inference system and Gene expression programming for modeling the total dissolved solids in the Nazluchay basin. Based on WGEP, GEP, WANFIS, ANFIS-SC, WANN, ANFIS-GP and ANN have best performance, respectively. In addition Gene expression programming-wavelet hybrid model with the minimum RMSE amounted 21.078 has best performance compared with other single and hybrid models.}, keywords = {gene expression,Wavelet transform,Dissolved Solids,Nazluchay}, title_fa = {مدل‌سازی جامدات محلول با استفاده از روش‌های هیبریدی محاسبات نرم (مطالعۀ موردی: حوضۀ آبریز نازلوچای)}, abstract_fa = {رودخانه‏ها اهمیت بسیار زیادی در تأمین آب آشامیدنی و کشاورزی دارند. در این مطالعه، قابلیت روش‏‏های منفرد و هیبریدی‌ـ موجکی شبکه‏های عصبی، سامانۀ استنتاجی عصبی‌ـ فازی تطبیقی و برنامه‏ریزی بیان ژن برای مدل‌سازی میزان جامدات محلول حوضۀ آبریز نازلوچای ارزیابی شدند. به این منظور از داده‏های کیفیت آب با طول دورۀ آماری 19 ساله (1372-1390)، چهار ایستگاه هیدرومتری واقع در حوضۀ آبریز نازلوچای استفاده شد. پس از بررسی صحت داده‏ها و ایستگاه‏های منتخب، با استفاده از تبدیل موجک دابچیز نوع چهارم، سیگنال‏های داده‏های مربوط به آن آنالیز شد. در مدل‌سازی از 80 درصد داده‏ها برای آموزش و 20 درصد داده‏ها برای آزمون مدل‏ها استفاده شده است. ارزیابی عملکرد مدل‏های به‌کار‌رفته بر اساس آزمون‏های آماری مختلف، ضریب همبستگی، ریشۀ میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج بیان‌کنندۀ عملکرد قابل قبول همۀ روش‏های منفرد و هیبریدی‌ـ موجکی شبکۀ‏ عصبی مصنوعی، سامانۀ استنتاجی عصبی‌ـ فازی تطبیقی و برنامه‏ریزی بیان ژن برای مدل‌سازی میزان جامدات محلول در حوضۀ آبریز نازلوچای است؛ ولی به‌ترتیب اولویت WGEP، GEP، WANFIS، ANFIS-SC،WANN، ANFIS-GP و ANN عملکرد بهتری دارند. همچنین مدل هیبریدی برنامه‏ریزی بیان ژن‌ـ موجکی با داشتن کمترین میزان RMSE به مقدار 078/21 بهترین عملکرد را در بین سایر مدل‏های منفرد و هیبریدی دارد.}, keywords_fa = {بیان ژن,تبدیل موجکی,جامدات محلول,نازلوچای}, url = {https://ije.ut.ac.ir/article_63230.html}, eprint = {https://ije.ut.ac.ir/article_63230_9387c8d63d2ec8a3a1cee33754103f49.pdf} }