J. Agr. Sci. Tech. (2016l.

18: 975-983

Análisis de la calidad del agua y predicción Empleo de la hora híbrido

Los modelos de la serie y de red neuronal

L. Zhang 1, Zhang GX 1 *, y RR Li 1

ABSTRACTO

Chagan lago sirve como una importante barrera ecológica en el oeste de Jilin. predicciones de calidad del agua de la
serie precisa de Chagan lago son esenciales para el mantenimiento de la seguridad medio acuático. En el presente
estudio, un híbrido autorregresivos integrados de media móvil (ARIMA) y el modelo de base radial función de red neuronal
(RNFBR) se utiliza para predecir y analizar la calidad del agua [nitrógeno total (TN), y fósforo total (TP)] de Chagan Lago .
Los resultados ponen de manifiesto lo siguiente: (1) las concentraciones TN en Chagan Lago aumentaron ligeramente
desde 2006 hasta 2011, aunque las variaciones anuales en TP no fueron significativas. Los niveles de TN y TP fueron
clasificados principalmente como los grados IV y V, (2) el híbrido ARIMA y RNFBR de modelo RMSE valores para los datos
observados y los predichos fueron 0,139 y

0,036 mg L- 1 para TN y TP, respectivamente, lo que indica que el modelo híbrido describe TN y TP variaciones más
exhaustiva y precisa que solo ARIMA y el modelo RNFBR. Los resultados sirven como una base teórica para el
monitoreo ecológico y medioambiental de Chagan Lake y planificación de la construcción del distrito de riego
manual de ayuda y proyecto de agua puede ser por la provincia occidental de Jilin.

palabras clave: ARIMA modelo, Chagan Lake, modelo RNFBR, Total N, Total P.

INTRODUCCIÓN (ARIMA) (Recuadro et al., 1994). modelos ARIMA están en

flexibles que pueden representar varios diferentes
series de tiempo, es decir, puro
la calidad del agua del agua precisa guía predicciones
serie MA (ARMA), a pesar de que están limitados por su
gestión de la calidad decisiones,
forma lineal preassumed autorregresivo (AR), puro de
planes de agua, acuicultura y estrategias de incidentes de
media móvil (MA) y combinado AR y (Parviz et al., 2010).
calidad del agua. Estudios centrados en intensivos
Debido a una estructura de correlación lineal se supone
el agua de la acuicultura calidad
entre los valores de series de tiempo, modelos ARIMA
métodos de predicción son por lo tanto de valor teórico
no pueden abordar relaciones no lineales.
crítico y significado práctico (Xu y Liu, 2013). Para los
aproximaciones modelo lineal para los problemas
modelos de predicción de la calidad del agua, los métodos
complejos del mundo real no siempre son satisfactorios
utilizados frecuentemente incluyen modelos de regresión
(Zhang, 2003). Redes Neuronales (ENN) pueden
(Abaurrea et al.,
identificar relaciones no lineales complejas entre la
2011), grises modelos de calidad del agua (KARMAKAR y
entrada y salida
Mujumdar, 2006), modelos de series de tiempo (Ahmad et al., 2001)
y Redes Neuronales Artificiales (ANN) modelos (Mayo et al., 2008).
conjuntos de datossin requiriendo
Uno de los modelos más importantes y ampliamente
información sobre la naturaleza de los fenómenos y sin hacer
utilizados de series de tiempo es el Box-Jenkins enfoque de
suposiciones subyacentes con respecto a la linealidad o
modelado, comúnmente conocido como el autorregresivos
normalidad. Sin embargo, un modelo de red neural por sí sola
integrados de media móvil
no puede abordar ambos patrones lineales y no lineales
igualmente

_____________________________________________________________________________
1 Instituto noreste de Geografía y Agroecología, Academia de Ciencias de China, Changchun, 130102, República Popular de China.

* Autor correspondiente; e-mail: zhgx@iga.ac.cn

975
 ________________________________________________________________________ Zhang et al.
bien (Al-Alawi et al., 2008). Por lo tanto, mediante la
combinación de modelos ARIMA y Ann, las estructuras de
autocorrelación complejos en los datos se pueden modelar
con mayor precisión. Chagan Lake, un lago poco profundo
sodasaline típica en la región semiárida del sudoeste de
llanura Songnen, noreste de China, sirve como una
importante barrera ecológica en el oeste de la provincia de
Jilin y como el más
importante base de la pesca en Jilin
Provincia. Shen y Zhang (2009) llegaron a la conclusión de
que el desarrollo y la construcción en recinto Chagan lago y
la implementación de proyectos de conservación de agua
como consecuencia la degradación ecológica grave en el
lago. Varios estudios también han identificado TN grave, TP
y (índice de permanganato) DQO Minnesota
los niveles de contaminación en el lago (Dai y Tian,
2011). Chagan lago está conectado al río Songhua
por canales de riego, a través del cual el lago recibe
una gran cantidad de agua del segundo río
Songhua y del drenaje agrícola Qianguo riego de
área, que también se nutren del río (Zhu et al., 2012).
Con el desarrollo de la tierra salina-álcali, grandes
volúmenes de drenaje de tierras de cultivo con altas
concentraciones de TN, TP, y la sal fluirán en
Chagan lago y afectará inevitablemente a la calidad
del agua y la seguridad ecológica de
Figura 1. Mapa de Chagan Lago (Zhu et al., 2012)
976
Lago Chagan. predicciones eficaces para la calidad del
agua del lago Chagan siguientes el desarrollo del distrito de
riego Songyuan deben llevarse a cabo para garantizar la
seguridad del agua para los fines del desarrollo sostenible y
la salud pública. Este estudio tuvo como objetivo ejecutar
las tareas siguientes: (1) El análisis de las fluctuaciones de
la calidad del agua en el lago Chagan en los últimos años,
centrándose en los niveles de Nt y Pt; (2) desarrollan un
modelo ARIMA y RNFBR híbrido para predecir series
temporales de datos de calidad del agua; y (3) evaluar el
rendimiento de estos modelos mediante la comparación de
los datos observados y pronosticados,
evaluar de este modo la
rendimiento predictivo de El hibrido
ARIMA y RNFBR modelo en relación con el modelo
ARIMA.
MATERIALES Y MÉTODOS
Área de estudio y de conjunto de datos
Chagan Lago, situado en la zona sudoeste de la llanura
Songnen, noreste de China (124 ° 03 ' 28 "- 124 ° 30 ' 59 " E,
45 ° 05 ' 42 "- 45 ° 25 '
50 " NORTE; Figura 1), es el décimo lago más grande de China. El
lago cubre una superficie media de 372 kilometros 2, tiene una
profundidad media de 1,52 m, y
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________

cuenta con una capacidad de almacenamiento total de 5,98 × 10 8 metro 3. serie (y t) que se compone de una estructura de
El clima de la región se clasifica como zona midtemperate. autocorrelación Linear (L t) y una
La temperatura del aire anual media para el área es 4.5ºC, componente no lineal (N t). Es decir,
y el período de congelación local, dura de octubre a la y t = L t + norte t (1)
siguiente mayo. Chagan Lake se encuentra en la zona Había tres pasos para predecir la serie de la calidad del
semiárida del oeste de la provincia de Jilin. Por lo tanto, los agua mediante modelos ARIMA y RNFBR híbridos.
niveles anuales de escorrentía son bajos, y profundidades
medias de escorrentía de 5-10 mm han sido registrados 1) El modelo ARIMA (Box et al., 1994) se utilizó
durante varios años (Zhu et al., 2012). El segundo Songhua, para predecir y t, y deja L tdenotar la
Huolin, Tao'er y Nenjiang ríos son afluentes del lago
resultados de predicción. los mi t era los residuales entre
Chagan, y la precipitación natural y las aguas subterráneas
el modelo ARIMA y serie.
sirven como fuentes de agua auxiliares para el lago. El
segundo río Songhua (compuesta principalmente de mi t = y t - ˆ Lt (2)
drenaje de las tierras agrícolas del distrito de riego 2) La mi t fue considerado como la entrada de modelo
Qianguo) primero desemboca en el lago Xinmiao a través RNFBR (Moody y Darken, 1989), entonces el modelo
de un canal y luego en Chagan lago. El río sirve como la RNFBR podría expresarse como sigue:
principal fuente de agua para los lagos de la región (Duan et
al., 2008). mi t = f (e t- 1, mi t- 2, . ..., mi Tennesse) + ε t (3)
Dónde, F es un no lineal función
determinado por la red y neural _ ε t es el error
aleatorio.
En este trabajo, los parámetros de calidad del agua Nt y Pt Los resultados de salida de RNFBR se definió como
son examinados. Los datos mensuales para estos parámetros
N.t
para el período de 2006-2011 se utilizaron para el análisis. La
calidad del agua se obtuvieron de “La Segunda río Songhua 3) Los dos modelos se combinaron para el
Proyecto de Desviación de grabación” (A y con baño propio, pronóstico, y la predicción de resultados de modelos
híbridos ARIMA RNFBR se expresaron como:
2003) de la Oficina de Hidrología de la provincia de Jilin,
noreste Instituto de Geografía y Agroecología, Academia yˆ t = ˆ L t + ˆnorte
t
China de Ciencias. Las propiedades estadísticas de los
(4)
datos de series de tiempo la calidad del agua y las normas
Por lo tanto, los resultados de calidad de agua

de calidad ambiental de las aguas superficiales de la

predichos generados a través del modelo ARIMARBFNN

República Popular de China (GB3838-2002 de la RP China

híbrido se obtuvieron mediante una combinación de la

2002) se presentan en la Tabla 1.

predicción lineal por ARIMA y los residuos del modelo
ARIMA con característica no lineal predicha por RNFBR
resultados de la predicción del modelo (Zhang,

Híbridos modelos ARIMA y RNFBR 2003). Este procedimiento se ilustra en la figura

2.
Puede ser razonable considerar la vez

Tabla 1. propiedades estadísticas de los parámetros de calidad del agua y las normas de calidad ambiental para las aguas
superficiales, China (GB3838-2002).

mi mbiental q uality s tand ard

valor de los parámetros Min valor Max Media Desv dev
yo II III IV V
TN (mg L- 1) 0.24 2.81 1.29 0.58 ≤ 0.2 0.5 1,0 1,5 2,0
TP (mg L- 1) 0.02 0.51 0.10 0.08 ≤ 0,01 0,025 0,05 0,1 0,2

977
 ________________________________________________________________________ Zhang et al.
La calidad del agua modelo ARIMA
resultados de la
predicción
resultados predichos de combinado
Figura 2. Diagrama esquemático de la ARIMA - modelo RNFBR.
RESULTADOS Y DISCUSIÓN
Características de variación de la serie de tiempo de
calidad del agua para el Lago Chagan
La tendencia de TN y TP año tras año y mes a
mes 2006-2011 se muestra en la Figura 3.
La TN, los niveles de TP, N / P en Chagan Lago
mostró tendencia variación similar, con el aumento
de 2006 a 2008, entonces
disminuyendo ligeramente de 2008 a 2011. Las
variaciones anuales en TN y TP, clasificadas como entre
los grados IV y V. El anual N / variaciones de P fueron
relativamente estables en Chagan Lake, típicamente
superior a 16: 1, lo que sugiere fósforo fue el nutriente
limitante. Los niveles mensuales TN en Chagan Lago
mostraron en general
tendencia a la baja,
clasificado como entre los grados IV y V, aunque esto
no era el caso durante los meses de septiembre y
noviembre. Los valores máximos se registraron
durante el período más frío del año, y los niveles
mostraron un aumento a corto plazo durante los
meses de primavera en asociación con la afluencia de
debido álcali para riego. Los niveles mensuales TP en
Chagan Lago aumentaron en los meses de verano y
otoño, pero disminuyó en la primavera y el invierno.
Los valores de pico no se sincronizaron con TN
durante el
978
predicción de
modelo RNFBR
residuos
predicción del
Resultados de la
modelo ARIMA-RNFBR
pico período de fertilización química entre mayo y junio, pero
fueron sincronizada con la presencia de grandes volúmenes
de agua canal entre agosto y octubre. Las variaciones
mensuales N / P en Chagan Lago disminuyeron
significativamente durante todo el año hasta finales del
otoño. Se observó un valor medio N / P de 10,43 para junio a
octubre, la creación de condiciones adecuadas para el
crecimiento de plantas acuáticas, especialmente algas
crecimiento.
Desarrollo de híbridos ARIMA y RNFBR
Modelos para Chagan Lago
ARIMA Modelado
De acuerdo con los diagramas de FAS y FAP para
TN (Figura 4), se identificaron los siguientes
parámetros del modelo ARIMA preliminar: p = 1-2, q = 1,
y d = 1 (Cryer y Chan, 2008). La prueba mostró que
coincidente
p = 1, d = 1, y q = 1, formando el modelo ARIMA para la
predicción TN en Chagan Lago [ARIMA (1,1,1)]. Para
TP, se identificaron los siguientes parámetros del
modelo ARIMA preliminar: p = 1-4, q = 1, y d = 1. El
ensayo mostró que coincidente p = 2, d = 1, y
q = 1. Modelo El ARIMA para la predicción TP en Chagan Lago
fue identificado como ARIMA (2,1,1). Utilizando la serie de
calidad de agua para 2006-2010 Chagan lago como una
muestra de entrenamiento, se predijeron los parámetros de
calidad del agua 2011.
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________

Figura 3. Las variaciones temporales en TN, TP y N / niveles de P en Chagan lago.

la ARIMA (1,1,1) predicción de resultados y

Predicción RNFBR
Se obtuvo la secuencia residual de predicción para los
factores de calidad de agua basado en el ARIMA (1,1,1)
predicción de resultados y observaciones. La secuencia
residual se utiliza entonces como la celda de entrada
RNFBR. El ancho de la formación σ fue de 0,6, y el número
de nodos en capas ocultas era 2.
El ARIMA-RNFBR modelo híbrido
observaciones. La secuencia residual se utiliza entonces
como la celda de entrada RNFBR. Por último, el híbrido
modelo ARIMA-RNFBR se determinó a través de la
superposición lineal de los valores predichos-ARIMA y
los valores de predicción residual ARIMA derivados de
RNFBR. El ARIMA, RNFBR y ARIMA-RNFBR resultados
de predicción modelo híbrido se muestran en la Figura
5. El RNFBR mostraron muy malos resultados de
predicción para TP. Aunque identificó la tendencia de
variación de TN, los resultados de la predicción fue
también no está satisfecho. Aunque la precisión de la
predicción de la ARIMA no fue alta, el modelo identificó

Se obtuvo la secuencia residual de predicción para los

factores de calidad de agua basado en

979
 ________________________________________________________________________ Zhang et al.

(una) (si)

Figura 4. diagramas de FAS y FAP para TN (a) y TP (B).

Figura 5. Comparación de los datos de predicción y los resultados observados generados usando el ARIMA, RNFBR
y modelos híbridos ARIMA-RNFBR: (a) TP, (b) TN.

980
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________
TN y TP tendencias de variación, es decir, los
componentes lineales de los valores TN y TP. El error
de predicción TN del modelo ARIMA fue
abrumadoramente mayor para enero a abril que para
los otros meses, mientras que se produjo el error de
predicción máximo TP en abril. Los resultados del
análisis elemental muestran que esto es atribuible a
TN significativa y las variaciones de concentración de
TP que ocurre en enero a abril
durante el período 2006-2010.
Además, dado que las fuentes de contaminación TN varían
durante los meses de invierno, las variaciones periódicas
durante este período no son obvias. fluctuaciones TP se
encuentran en abril pueden ser atribuibles a la contaminación
de fuentes no puntuales lanzado a través de la nieve derretida.
Aunque el modelo híbrido producido predicciones superiores a
las del ARIMA, errores significativos aparecieron entre enero y
abril. El análisis de series temporales sólo se considera la
influencia de los datos históricos sobre las tendencias futuras y
no consideró directamente los efectos de varios factores sobre
la serie de tiempo. Por lo tanto, el análisis de series temporales
depende en gran medida en los datos históricos. Si las
condiciones ambientales cambian significativamente,
la influencia de
varios factores sobre las series de tiempo va a cambiar, y el
modelo de series de tiempo harán predicciones exactas.
análisis de series de tiempo, por lo tanto, no pueden responder
a los efectos de las perturbaciones repentinas.
Comparativa de rendimiento Modelo
En la comparación de los datos observados y
pronosticados 2011 desde el ARIMA, RNFBR e híbridos
modelo ARIMA-RNFBR, se emplearon medidas de
precisión para determinar el mejor modelo usando el
error cuadrático medio
(RMSE) y absoluta media
Tabla 2. Comparación de la ARIMA, RNFBR y modelos híbridos ARIMA-RNFBR: RMSE y MAPE
valores.
RMSE
parámetros
ARIMA RNFBR ARIMA- híbrido
RNFBR
TN (mg L- 1) 0,324 0,378 0,139
TP (mg L- 1) 0,104 0,141 0,036
981
Error Porcentaje (MAPE) (Makridakis et al., 1986).
La Tabla 2 presenta el error Root Mean Square
(RMSE) y absoluta media
Error Porcentaje (MAPE) resultados para los datos de
TN y TP observadas y predichas en 2011 de la
ARIMA, RNFBR, y modelos híbridos ARIMA-RNFBR.
valores RMSE del modelo RNFBR para los datos
observados y los predichos fueron 0,378 y 0,141 mg L- 1
para TN y TP, respectivamente. del modelo ARIMA RMSE valores
para los datos observados y los predichos fueron 0,324 y
0,104 mg L- 1
para TN y TP, respectivamente. E híbridos del modelo RMSE
valores para los datos observados y los predichos fueron
0,139 y 0,036 mg L- 1
para TN y TP, respectivamente. Por lo tanto, el modelo híbrido
muestra los mejores resultados de la predicción, y RNFBR lo
peor. Desde el MAPE Los resultados, además, la observaron y
estadísticas de errores producidos ARIMApredicted MAPE
valores de 18,194 y 27,299% para TN y TP,
respectivamente. El modelo híbrido
generado MAPE valores de 7,017 y
14,528% para TN y TP, respectivamente. los
RMSE y MAPE valores para el modelo híbrido eran,
por lo tanto, inferiores a los del modelo ARIMA y el
modelo RNFBR, lo que sugiere que la capacidad de
predicción del modelo híbrido es superior a la del
modelo ARIMA y el modelo RNFBR. El modelo híbrido
de la serie de tiempo TN y TP para Chagan Lago
simula eficazmente.
CONCLUSIONES
Los análisis periódicos, no lineales y al azar de los datos
de calidad del agua para espectáculos Chagan Lake que la
concentración de TN y TP son los grados IV y V. En
comparación con el modelo ARIMA,
el híbrido propuesto
MAPE
ARIMA RNFBR ARIMA- híbrido
RNFBR
18.194 34.633 7.017
27.299 126.957 14.528
 ________________________________________________________________________ Zhang et al.
ARIMA-RNFBR predicción modelo
descrito variaciones TN y TP más exhaustiva y
precisa, produciendo TN y TP RMSE valores que
eran 0,139 y 0,036 mg L- 1, respectivamente, que los
generados usando el ARIMA y MAPE
valores para TN y TP que eran 7,017 y
14,528%, respectivamente. El modelo híbrido mejorado la
precisión de predicción. Por consiguiente, el modelo híbrido
propuesto puede ser utilizado para predecir TN y TP series
de tiempo para Chagan Lake. Estos resultados de
predicción servirán como base teórica para el manejo
ecológico y medioambiental de Chagan lago y como guía
para la planificación de la construcción del distrito de riego y
proyecto de agua en el oeste de la provincia de Jilin.
AGRADECIMIENTOS
Este trabajo fue apoyado por la Fundación Nacional
de Ciencias Naturales de China (Grant No.41371108 y
No.41301086), el
Proyecto de Investigación Científica de Bienestar Público
del Ministerio de Industria de los recursos hídricos, China
(Nº 201401014).
Referencias
1. A, HR y baño propio, H. 2003. El segundo río Songhua
Proyecto de Desviación de registro de distrito autónomo
mongol Gorlos Qian. Minorías Liaoning Press, Liaoning.
(en chino)
2. Abaurrea, J., Asín, J., Cebrián, AC y
García-Vera, MA 2011. Análisis de Tendencias de la Calidad del
Agua serie basada en los modelos de regresión con errores
correlacionados. J. Hydrol.,
400 (3): 341-352.
3. Ahmad, S., Khan, IH y Parida, BP
2001. La rentabilidad del estocástico Enfoques para la previsión
del río Calidad del Agua. Resour agua., 35: 4.261 hasta 4.266.
4. Al-Alawi, SM, Abdul-Wahab, SA y
Bakheit, CS 2008. La combinación de componentes
principales de regresión y redes neuronales artificiales para
Más predicciones precisas de ozono troposférico. Reinar.
Modelo. N del software., 23 (4): 396-403.
982
5. Box, GEP, Jenkins, GM y Reinsel, G.
C. 1994. Análisis de series de tiempo, predicción y
control. Prentice Hall, Englewood Cliffs, NJ.
6. Cryer, JD, Chan, KS 2008. Time Series
Análisis: con aplicaciones en R, segunda ed.
Springer, Nueva York.
7. Dai, XJ y Tian, ​2011. Análisis y W.
Contramedidas sobre la contaminación del agua del lago
Chagan. J. Árido Resour Tierra. Reinar.,
25 (8): 179-184. (en chino)
8. Duan, H., Zhang, Y., Zhang, B., Song, K.,
Wang Z., Liu, D. y Li, F. 2008. Estimación de la
concentración de clorofila a y trófico Unidos Continental
para Lakes en el noreste de China de Landsat TM de
datos y campo espectral mediciones. En t. J. remoto
Sens., 29: 767-
786.
9. GB3838-2002 de la RP China 2002.
Norma de calidad ambiental para la superficie del agua.
China: Medio Ambiente Ciencias.
Ministerio de Protección del Medio Ambiente de la República
Popular de China, China.
10. Karmakar, S. y Mujumdar, PP 2006.
Gris Modelo de Optimización Difusa para la Gestión de la
Calidad del Agua de un sistema fluvial. Adv. Resour agua., 29: 1088-1105.
11. Makridakis, S., Wheelwright, SC y
Megee, VE 1986. Forecasting: Método y aplicación. Segunda
edición, Wiley, Nueva York.
12. Mayo, RJ, Dandy, GC, Maier, recursos humanos,
Nixon, JB 2008. Aplicación de Información Mutua parcial
variable de selección a ANN Predicción de la calidad del
agua en sistemas de distribución de agua. Reinar.
Modell. N del software., 23 (10-11): 1289-1299.
13. Moody, J. y oscurecer, C. 1989. Fast
La formación en redes de unidades de procesamiento local
sintonizado. Neural Comput., 1: 281-
294.
14. Parviz, L., Kholghi, M. y Hoorfar, A. 2010.
Una comparación de la eficacia de los parámetros Métodos de
estimación en el contexto de la previsión de la corriente de flujo. J.
Agr. Sci. Tech., 12 (1):
47-60.
15. Shen, JL y Zhang, JL 2009. Ecosistema
La investigación de Chaganhu Conservación Zona Basado en
datos de percepción remota y clasificación orientada a
objetos. J. Sci Tierra. Reinar.,
31 (2): 212-215. (en chino)
dieciséis. Xu, LQ y Liu, SY 2013. Estudio de
Predicción a corto plazo de Calidad del Agua modelo basado
en Wavelet red neuronal. Matemáticas. Comput. Modelo., 58
(3-4): 807-813.
‫______________________________ ‪Predicción de la calidad del agua por ARIMA-RNFBR Modelo‬‬

‫‪17. Predicción Zhang, GP 2003. Time Series‬‬ ‫‪Músculo de pescado Siete especies de Chagan Lake,‬‬
‫‪El uso de un híbrido ARIMA y modelo de red neuronal. Neurocomput.,‬‬ ‫‪noreste de China. Environ.Monit. Evaluar., 184: 1299-1310.‬‬
‫‪50: 159-175.‬‬
‫‪18. Zhu, LL, Yan, BX, · Wang, LX y Pan,‬‬
‫‪X. 2012. concentración de mercurio en el‬‬

‫تجزيه و پيش بيني كيفيت آب با استفاده از مدل هيبريد سري زماني و مدل شبكه‬

‫عصبي‬

‫ل‪ .‬ژانگ ‪,‬ج‪ .‬ز‪ .‬ژانگ ‪,‬و ر‪ .‬ر‪ .‬لي‬

‫چكيده‬

‫در پژوهش درياچه چاگان در غرب منطقه جيلين به عنوان يك مانع اكولوژيكي مهم عمل مي كند و براي حفظ‬

‫امنيت محيط آبي اين درياچه پيش بيني درست سري زماني كيفيت آب ضرورت دارد‪.‬‬

‫درياچه چاگان از‬ ‫حاضر ‪,‬براي پيش بيني و آزمون كيفيت آب ] نيتروژن كل‬
‫)‪ (TENNESSE‬و فسفر كل [ )‪(TP‬‬

‫‪Movimiento autorregresivo integrado‬‬ ‫ميانگين هاي متحرك تلفيقي خود رگرسيوني )‬

‫‪Funcion de base radial‬‬ ‫( و مدل شبكه عصبي تابع مبتني بر شعاع )‬ ‫‪media:ARIMA‬‬

‫‪Tennesse‬‬ ‫‪Red‬هاي( ‪ (1‬استفاده شد‪ .‬نتايج حاكي از موارد زير بود ‪) :‬‬
‫غلظت‬ ‫‪Neuronal (RNFBR‬‬

‫اندكي روندي افزايشي داشت ‪,‬هرچند كه تغييرات ساالنه در‬ ‫‪2011‬چاگ‬

‫تا‬ ‫در‪ 2006‬از سال ان درياچه‬

‫( ‪ 2‬در رده كالس چهار و پنج طبقه بندي شدند ‪) ,‬‬ ‫‪ Tennesse‬و ‪TP‬‬
‫‪ TP‬معني دار نبودند‪ .‬همچنين ‪,‬مقادير‬

‫به دست آمده ازهيبريد‬ ‫‪TP‬‬ ‫‪ Tennesse‬و‬

‫در مورد داده هاي مشاهده شده و پيش بيني شده‬ ‫‪RMSE‬‬ ‫مقدار‬

‫ميلي گرم در ليتر بود كه حاكي از آن بود كه‬ ‫‪RNFBR‬بو ‪ 139/0‬ه ترتيب برابر‬
‫‪036/0‬‬ ‫‪ ARIMA‬و‬

‫يا مدل‬ ‫‪ARIMA‬‬ ‫را درست تر و كامل تر از زماني كه‬ ‫‪TP‬‬ ‫‪ Tennesse‬و‬
‫مدل هيبريدي مزبور تغييرات‬

‫به تنهايي استفاده شوند توضيح مي دهد‪ .‬اين نتايج به عنوان پايه نظري براي پايش‬ ‫‪RNFBR‬‬

‫عمل مي كند و مي تواند به مسوالن آبياري آن ناحيه و در‬ ‫اچه چاگان‬

‫دري اكولوژيكي و محيط زيستي‬

‫برنامه ريزي ساخت پروژه هاي آب براي استان جيلين غربي كمك كند ‪.‬‬

‫‪983‬‬