Simulation and Prediction of Some Water Quality Parameters in the Zayanderoud River Using Artificial Neural Networks

Document Type : Research Paper


1 Assistant Professor, Depatement of Water Engineering, College of Agriculture, Shiraz University

2 Academic Member, Isfahan Agricultural and Natural Resources Research Center

3 M.Sc. Student in Desert Region Management, College of Agriculture, Shiraz University


The Zayanderoud River stretches over 350 Km along a roughly west-east direction, originates in the Zagros Mountains on the west of Isfahan, and discharges into the Gavkhoni Swamp on the east of Isfahan. The Zayanderoud River supplies for the irrigation, domestic, and industrial water demands in Isfahan Province. In this paper, some water quality parameters of this river including EC, TDS, pH, HCO3, and Cl were simulated at different stations using artificial neural networks. The results showed an ascending trend for EC and TDS along the river. The trend in simulated HCO3 was found to be similar to that over the past few years and was equal to the long-term average. The trend for Cl was ascending at upstream stations and also similar to the long-term average at downstream stations. In general, the simulations of water quality parameters EC, TDS, pH, and HCO3 were evaluated to be highly satisfactory and the one for Cl satisfactory.


1- چالکش امیری، م. (1378). اصول تصفیه آب، انتشارات ارکان، ٤٤٢.
2- ابوالقاسمی رحیم‌آبادی، ع. (1378). شناخت و بررسی تأثیر منابع آلاینده بر کیفیت آب رودخانه زاینده‌رود با استفاده از مدل QUAL2E. پایان‌نامه کارشناسی ارشد دانشکده عمران، دانشگاه صنعتی اصفهان.
3- پور مقدس، ح. (1379). نتایج حاصل از مطالعات سال‌های گذشته (سنتز) مدیریت زیست محیطی منابع آب، اداره کل حفاظت محیط زیست اصفهان،١٢١.
4- Salemi, H. R., Mamanpoush, A., Miranzadeh, M., Akbari, M., Torabi, M., Toomanian, N., Murray-Rust, H., Droogers, P., Salley, H., and Gieske, A. (2000). Water management for sustainable irrigated agriculture in the Zayandeh Rood river basin, Esfahan province, Iran,Research Report No. 1, IAERI-EARC-IWMI.
5- ذهب صنیعی، ا. (1378). بررسی خلاصه آمار کیفیت آب زاینده‌رود، شرکت آب منطقه‌ای اصفهان، ١٥١.
6- Droogers, P., Akbari, M., Torabi, M., and Pazira, E. (2000). Exploring field scale salinity using simulation modeling, Example for Rudasht area, Esfahan province, Iran, Research Report No. 2, IAERI-EARC-IWMI.
7- ممتازپور، م. (1374). تشریح ویژگی‌های حوضه زاینده‌رود. مجموعه مقالات کنفرانس منطقه‌ای مدیریت منابع آب، دانشگاه صنعتی اصفهان، 167-179.
8- ابریشم چی، ا. (1373). مدل‌های ریاضی کیفیت آب رودخانه‌ها.نشریه آب و توسعه، 3، 65-74.
9- البرزی، م. (1380). آشنایی با شبکه‌های عصبی، چاپ اول، مؤسسه انتشارات دانشگاه صنعتی شریف، 137.
10- کلباسی، م.، و موسوی، ف. (1374). مطالعه هفت ساله تغییرات ازت معدنی، فسفر، هدایت الکتریکی و پ-هاش در آب زاینده‌رود. مجموعه مقالات کنفرانس منطقه‌ای مدیریت منابع آب، دانشگاه صنعتی اصفهان، 75-85.
11- سازمان مدیریت و برنامه‌ریزی استان اصفهان. (١٣٨١). آمارنامه استان اصفهان، ٣٤٢.
12- منهاج، م. (1380). مبانی شبکه‌های عصبی، چاپ دوم، مرکز نشر دانشگاه صنعتی امیرکبیر، جلد اول، 715.
13- Gandolfi, C., Facchi, A., and Whelan, M. J. (2001). “On the relative role of hydrodynamic dispersion for river water quality.” Water Resources Research, 37(9), 2365-2375.
14- Kim, G., and Barros, A. P. (2001). “Quantative flood forecasting using multisensor data and neural networks.Journal of Hydrology, 246(1), 45-62.
15- میثاقی، ف.، و محمدی، ک. (1383). پیش‌بینی تغییرات کیفیت آب رودخانه زاینده‌رود با استفاده از شبکه‌های عصبی مصنوعی.دومین کنفرانس ملی دانشجویی منابع آب و خاک، دانشگاه شیراز، 213-222.
16- Lin, H., and Wang, S. (2001). GIS supported modeling water quality using artificial neural networks (ANNs) in the tomorrow/ Waupaca river watershed, College of Natural Resources, University of Wisconsin.
17- Maier, H. R., and Dandy, G. C. (1996). “The use of artificial neural networks for the prediction of water quality parameters.Water Resources Research, 32(4), 1013-1022.
18- Maier, H. R., and Dandy, G. C. (2000). “Artificial neural networks for the prediction and forecasting of water resources variables: A review of modeling issues and applications.” Environmental Modeling and Software, 15, 101-124.
19- Rounds, S. A. (2002). “Development of a neural network model for dissolved oxygen in the Tualatin river, Oregon.The Second Federal Interagency Hydrologic Modeling Conference, Las Vegas, NV, 245-258.
20- Sandhu, N., and Finch, R. (1995). Methodology for flow and salinity estimation in the Sacramento-San Joaquin Delta and Suisun Marsh, Chapter 7: Artificial neural networks and their applications, 16th Annual Progress Report, New York, 85.
21- Tang, Z., and Fishwick, P. A. (1991). “Time series forecasting using neural networks vs Box-Jeninkis.Methodology Simulation, 57(5), 203-210.
22- Zhang, Y., Pulliainn, J., Koponen, S., and Hallikainen, M. (2002). “Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data.” Remote Sensing of Environment, Vol. 87,
23- Ha, H., and Stenstorm, M. K. (2003). “Identification of land use with water quality data in storm water using a neural network.” Water Research, 37(3), 4222-4230.
24- Walley, W. J., and Fontana, V. N. (1998). “Neural network prediction of average scope per taxon and number of families at unpolluted river sites in Great Britain.” Water Rersources Research, 32(3), 613-622.
25- بازرگان لاری، ع. (١٣٧٨). آمار کاربردی، چاپ چهارم، انتشارات دانشگاه شیراز، ٢٨٤.