fa تخمین هدایت الکتریکی رودخانه ها با استفاده از شبکه عصبی موجک (مطالعه موردی: رودخانه کاکارضا) تخصصي Special پژوهشي Research <strong><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">هدایت الکتریکی (</span></span></span></span></strong><span style="color: black;"><span style="font-family: times new roman,serif;"><span style="font-size: 8pt;">EC</span></span></span><strong><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">) عامل مهمی در مهندسی رودخانه و بویژه مطالعه کیفی آب رودخانه‌ها می‌باشد. در این پژوهش کاربرد شبکه عصبی موجک، جهت پیش‌بینی هدایت الکتریکی رودخانه کاکارضا موردبررسی و ارزیابی قرار گرفت و </span></span></span></span><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">نتایج آن با مدل شبکه عصبی مصنوعی مقایسه شد</span></span></span></span><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">. که برای این منظور هیدروژن کربنات، کلرید، سولفات، کلسیم، منیزیم، سدیم و دبی جریان در مقیاس زمانی ماهانه در طی دوره آماری (1393-1347) بعنوان ورودی و هدایت الکتریکی بعنوان پارامتر خروجی انتخاب گردید.</span></span></span></span></strong> <strong><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و عملکرد مدل مورد استفاده قرار گرفت. نتایج حاصله نشان داد مدل شبکه عصبی موجک دارای بیشترین ضریب همبستگی (977/0)، کمترین ریشه میانگین مربعات خطا(</span></span></span></span></strong> <span style="color: black;"><span style="font-family: times new roman,serif;"><span style="font-size: 8pt;">ds/m</span></span></span><strong><span dir="RTL"><span style="color: black;"><span><span style="font-size: 10pt;">032/0) و نیز بیشترین معیار نش ساتکلیف (847/0) در مرحله صحت سنجی در اولویت قرار گرفت. درمجموع نتایج نشان داد مدل شبکه عصبی موجک در تخمین مقادیر حداقل و حداکثر دقت بالایی از خود نشان داده است. نتایج حاکی از توانمندی قابل‌قبول مدل شبکه عصبی موجک در تخمین هدایت الکتریکی آب رودخانه‌ها است.</span></span></span></span></strong> &nbsp;&nbsp;&nbsp;&nbsp; Electrical conductivity (EC) is an important factor in river engineering, especially studying of river water quality. In this study we studied and evaluated wavelet neural network to predict the electrical conductivity of the Kakareza river (in lorestan), and the results were compared with results of artificial neural network model. For this purpose, hydrogen carbonate, chloride, sulfate, calcium, magnesium, sodium and flow rate at monthly scale during the period (1969-2015) as input and output parameters were selected as electrical conductivity. The criteria of correlation coefficient, root mean square error and of Nash Sutcliff coefficient were used to evaluate and performance compare of models. The results showed that wavelet neural network model has the highest correlation coefficient (0.977), the lowest root mean square error (0.032 ds/m) and the highest standards Nash Sutcliffe (0.847) became a priority in the validation phase. The results indicate acceptable capability of wavelet neural network models to estimate the electrical conductivity of river water.<span dir="RTL"></span> شبکه عصبی موجک, شبکه عصبی مصنوعی, کاکارضا, مدل, هدایت الکتریکی Artificial neural network, Electrical conductivity, Kakareza, Model, Wavelet neural network 178 187 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-213&slc_lang=fa&sid=1 محمدعلی قربانی 10031947532846005732 10031947532846005732 No رضا دهقانی 10031947532846005733 10031947532846005733 Yes