با توجه به وسعت جهانی منابع آب، اندازه گیری های زمینی از پارامترهای کیفی امکان پذیر نیست، همچنین نمونه برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به عنوان مهم ترین پارامترهای کیفی آب با استفاده از شبکه های عصبی مصنوعی با دقت مناسب توسط پژوهشگران انجام شده است. با توجه به مشکلاتی که در تهیه تعداد بالایی از داده های آموزشی در محیط های آبی وجود دارد استفاده از شبکه های ترکیبی مقاوم تری نظیر شبکه عصبی موجکی پیشنهادشده است. در این تحقیق انواع مختلفی از توابع موجک به عنوان تابع محرک شبکه مورداستفاده قرار گرفت و بهترین شبکه به منظور برآورد غلظت کلروفیل آ و کدورت به ترتیب شبکه های عصبی موجکی با تابع محرک مورلت و کلاه مکزیکی به دست آمد، داده های مورداستفاده محصول بازتاب اقیانوسی سنجنده مادیس است، به دلیل به کارگیری تصاویر چند زمانه نرمال سازی رادیومتریک داده ها انجام شد و نتایج نسبت به زمانی که از تصاویر نرمال نشده استفاده شده است، به صورت قابل توجهی بهبود یافت. در حالت چندزمانه علاوه بر افزایش تعداد داده های آموزشی، قابلیت تعمیم پذیری شبکه به سایر روزهایی که در آن تعداد داده میدانی کافی موجود نیست، فراهم شده است و دقت شبکه در این حالت در مقایسه باحالت تک زمانه افزایش یافت، درنهایت RMSE برای بهترین مدل به منظور برآورد کدورت و غلظت کلروفیل به ترتیب 047/0 و 071/0 به دست آمد که در مقایسه با دقت اندازه گیری میدانی 1/0، قابل قبول بوده و می تواند جایگزین مناسبی برای اندازه گیری های میدانی باشد.
