یکی از مهم‌ترین عوامل توسعه هر منطقه در دسترس بودن منابع آب با کیفیت است. شناخت وضعیت آلودگی رودخانه‌ها سبب گردیده است، برنامه‌ریزی‌های مدیریتی به منظور کنترل کیفیت آب رودخانه‌ها در آینده از اهمیت بیشتری برخوردار ­گردد. پیش‌بینی کیفیت جریان رودخانه‌ها در بازه‌های زمانی آینده، با وجود تاثیرپذیری از برخی عوامل طبیعی و غیر طبیعی، نقش مهمی در مدیریت کیفیت منابع آب ایفا می‌نماید.
با پیش‌بینی نمودن کیفیت جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری منابع آب به منظور تأمین نیاز، و اجازه‌ی برداشت‌های کشاورزی و صنعتی بیشتر در بازه‌های زمانی که رودخانه از آلودگی بیشتری برخوردار است می‌توان با استفاده از مسیرهای انحرافی از ورود جریان‌های با بار آلودگی بالا که تأثیر نامطلوبی بر کیفیت آب مخازن دارد جلوگیری به عمل آورد. همچنین به دلیل وجود نقص داده‌های آماری در داده‌های کمی و کیفی ایستگاه‌های هیدرومتری می‌توان از نتایج مدل‌ شبیه‌سازی پارامترهای کیفی به منظور صحت، کشف نواقص، اصلاح یا تکمیل داده‌ها استفاده نمود. مدل‌های تجربی که بدون توجه به پارامترهای مورد استفاده، سعی در ایجاد رابطه‌ای بین داده‌های ورودی و خروجی دارند به مدل‌های هوشمند مشهور هستند. در واقع منطق فازی، محاسبات عصبی و الگوریتم‌های ژنتیک شالوده‌های علم محاسبات نرم را تشکیل می‌دهند. بر خلاف محاسبات سخت[1]، محاسبات نرم[2] با عدم قطعیت موجود در دنیای واقعی سازگار می‌باشد. می‌توان اصول پایه در محاسبات نرم را در قالب یک جمله و به صورت زیر بیان نمود:
«بهره برداری از تلورانس نادرستی، عدم قطعیت و حقیقت جزئی در راستای رسیدن به یک راه حل انعطاف پذیر، محکم و کم هزینه»[63]

در پیش‌بینی پارامترهای کیفی می‌توان از تاخیرهای زمانی همان پارامتر، به دلیل فراوانی و دسترسی بیشتر نسبت به سایر پارامترها از جمله دبی، دما، رنگ و … به عنوان ورودی‌های مدل استفاده کرد. در واقع یکی از روش‌های پیش‌بینی فرایندهای طبیعی و غیر طبیعی از جمله آلودگی، استفاده از سری‌های زمانی تاخیری همان پارامتر به عنوان پیش‌بینی کننده می‌باشد. 1- هدف اصلی در این تحقیق استفاده از مدل‌های هوشمند شبکه عصبی و فازی-عصبی در تخمین شوری یک گام زمانی آینده با بررسی تاثیر سری های زمانی تاخیری ماهانه، در منطقه مورد مطالعه می‌باشد.
2- در ادامه مسئله شبیه‌سازی TDS با استفاده از غلظت یون‌های مختلف موجود در آب، PH و دبی به عنوان ورودی مدل‌ها مورد بررسی و تحلیل قرار گرفته است. تغییرات TDS با دیگر پارامترهای کیفی در رودخانه‌های مختلف محاسبه شده که در بین این پارامترها مجموع آنیون و مجموع کاتیون به عنوان ورودی‌های مدل شبیه‌سازی انتخاب شده است و نتایج مربوط به هر کدام از مدل‌ها مورد بحث و بررسی قرار گرفته است.
2-1- پیشبینی هیدرولوژیکی
پیش‌بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می‌باشد. پیش‌بینی‌های هیدرولوژیکی را می‌توان به دو دسته کوتاه مدت و بلند مدت تقسیم نمود. پیش‌بینی‌های کوتاه مدت اغلب دارای افق زمانی در حد چند روز می‌باشند و به منظور هشدار و بهره‌برداری زمان واقعی سیستم‌های منابع آب به کار می‌روند. در مقابل پیش‌بینی‌های بلند مدت، دارای افق زمانی بیش از یک هفته تا یک سال می‌باشند و برای مدیریت منابع آب مانند تخصیص آب برای آبیاری و کاهش اثرات خشکسالی از طریق مدیریت منابع آب به کار می‌روند.
پیش‌بینی کوتاه مدت معمولاً از دقت بیشتری برخوردار بوده و آسان‌تر به دست می‌آید. روابط ریاضی و فیزیکی برای این پیش‌بینی‌ها بیشتر مورد توجه قرار گرفته و قابلیت شبیه‌سازی بهتری دارند. در مقابل پیش‌بینی‌های بلند مدت به علل مختلف دارای خطای بیشتری بوده و از پیچیدگی‌های بیشتری در مدل‌سازی و شبیه‌سازی برخوردارند. به همین اندازه اهمیت آن‌ها برای یک سیستم مدیریت منابع آب بسیار زیاد می‌باشد به طوری که افزایش میزان اندکی از دقت در این پیش‌بینی‌ها فواید زیادی را عاید سیستم بهره برداری خواهد نمود. نخستین و بدیهی‌ترین فایده حاصل از پیش‌بینی‌ها با افق‌های زمانی بلند مدت، پویاتر شدن تصمیم گیری‌های مبتنی بر ذخیره و آزاد سازی آب می‌باشد [14].
از این رو پیش‌بینی‌های ماهانه و فصلی مربوط به پارامترهای کیفی رودخانه‌ها و تغییرات شوری جزء پیش‌بینی‌های بلند مدت محسوب می‌شود و نتایج حاصل از این پیش‌بینی‌ها در مدیریت کیفیت منابع آب اهمیت بسزایی دارد.
1-2-1- مدل‌سازی برای پیش‌بینی
فرآیند مدل‌سازی برای پیش بینی شامل مراحل زیر است:
– تعیین پیش‌بینی کننده مناسب
– تعیین مدل پیش‌بینی مناسب
– کالبیراسیون مدل
– صحت سنجی مدل
1-1-2-1- تعیین پیش بینی کننده مناسب
اولین گام در مدل‌سازی برای پیش‌بینی، استفاده از پیش‌بینی کننده مناسب می‌باشد. استفاده از پیش‌بینی کننده‌های مناسب بستگی به شرایط فیزیکی حاکم بر منطقه و حوزۀ مورد مطالعه دارد.
متغیرهای شاخصی که برای پیش‌بینی کیفیت جریان به کار می‌روند شامل:
دبی جریان در بازه‌های زمانی گذشته، هدایت الکتریکی EC و کل جامدات محلول TDS می‌باشد و همچنین بقیه پارامترهای کیفی اندازه‌گیری شده جریان را در برمی‌گیرد.
شکل کلی معادلاتی که بر اساس این متغیرها به دست می‌آیند به صورت زیر است:
که در آن Xi، iامین متغیر شاخص از بین n متغیر است و Q نیز کیفیت جریان یا پارامتر شوری جریان در دوره زمانی دلخواه پیش‌بینی است.
2-1-2-1- تعیین مدل مناسب
مدل‌های مختلف آماری و مفهومی برای پیش‌بینی و مدل‌سازی متغیرهای هیدرولوژیکی مورد استفاده قرار می‌گیرند.
سه روش مدل‌سازی پدیده‌های هیدرولوژیکی[19]
بررسی و تحلیل پدیده‌های مختلف در حوزۀ مهندسی آب و محیط زیست مانند مدیریت کیفی منابع آب را بنابر مقتضیات طرح (اهمیت، دقت مورد نظر، امکانات و زمان) می‌توان در قالب سه روش کلی زیر انجام داد:
– روش های عددی
– روش‌های تجربی (آزمایشگاهی و میدانی)
– روش‌های یادگیری بر اساس نمونه (هوش مصنوعی یا داده کاوی)
در دهه‌های اخیر ابزار محاسبات نرم و سیستم‌های هوشمند به عنوان روش‌های جدید مدل‌سازی سیستم‌های پیچیده مهندسی معرفی شده‌اند. پایۀ و اساس این روش، در دو مقوله‌ی آمار و هوش مصنوعی خلاصه می‌گردد که روش‌های هوش مصنوعی به عنوان روش‌های یادگیری ماشین در نظر گرفته می‌شوند. این روش‌ها در واقع رابطۀ بین پارامترهای وابسته و مستقل را تعیین نموده و به نوعی مناسب‌ترین تابع را بر روی آن‌ها برازش می‌دهند و قادر به تقریب هر تابع غیر خطی می‌باشند [11]، [‎47].
[1] Forecasting
[1] Hard Computing
[2] Soft  Computing
[3] Partial Truth