تعداد نشریات | 26 |
تعداد شمارهها | 305 |
تعداد مقالات | 2,636 |
تعداد مشاهده مقاله | 3,959,440 |
تعداد دریافت فایل اصل مقاله | 2,666,645 |
ارزیابی کارائی روشهای کاهش بعد در بهبود دقت مدلسازی شاخص کیفی آب با استفاده از الگوریتم های یادگیری ماشین | ||
مدل سازی و مدیریت آب و خاک | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 فروردین 1402 | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12434.1241 | ||
نویسندگان | ||
محمدتقی ستاری* 1؛ کیمیا شیرینی2؛ سحر جاویدان3 | ||
1دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
2دانشجوی دکتری تخصصی، گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران | ||
3دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
آگاهی از کیفیت آب یکی از نیازهای مهم در برنامهریزی، توسعه و حفاظت از منابع آب به شمار میرود. تعیین کیفیت آب برای مصارف مختلف از جمله آبیاری و شرب در مناطق مختلف ضروری است. استفاده از روشهای مدرن دادهکاوی، میتوانند رویکرد مناسبی برای پیشبینی و طبقهبندی کیفیت آب ارائه دهند. در پژوهش حاضر کیفیت آب رودخانه قزیلاوزن در ایستگاه قرهگونئی مورد ارزیابی قرار گرفت. در این راستا شاخص کیفی آب شرب (WQI) با استفاده از پارامترهای شیمیایی سختی کل، قلیائیت (PH)، هدایت الکتریکی، کل مواد جامد محلول، کلسیم، سدیم، منیزیم، پتاسیم، کلر، کربنات، بیکربنات و سولفات در دوره آماری ۲۱ساله (1398-1378) محاسبه گردید. باتوجهبه تعداد نسبتاً زیاد متغیرها از روشهای تحلیل مؤلفههای اصلی و تحلیل مؤلفههای مستقل برای کاهش ابعاد استفاده گردید و سپس از الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، رگرسیون لجستیک و شبکه عصبی مصنوعی پرسپترون چندلایه برای مدل سازی شاخص کیفی آب استفاده شد. با استفاده از این روشها تعداد پارامترهای موردنیاز برای محاسبه شاخص کیفی از 12 به 2 کاهش یافت. کاهش ابعاد دادهها باعث صرفهجویی در زمان نمونه برداری، نظارت بر نمونهها و تعیین کیفیت آب شده و هزینه های موردنیاز برای مدلسازی را به مقدار قابلتوجهی کاهش میدهد. نتایج نشان داد از بین روشهای کاهش بعد روش تحلیل مؤلفههای اصلی نسبت به روش تحلیل مؤلفههای مستقل عملکرد بهتری میتواند داشته باشد. همچنین نتایج نشان داد که از بین روشهای مورداستفاده در مدلسازی، روش شبکه عصبی پرسپترون چندلایه با استفاده از تحلیل مؤلفههای اصلی با ضریب تبیین 99/0، ریشه میانگین مربعات خطای 79/44 و ضریب ویلموت اصلاح شده برابر 99/0 بهترین عملکرد را داشته است. باتوجهبه اینکه ابعاد زیاد داده در بررسی و مدلسازی کیفیت آب باعث پیچیدگی و زمان بر بودن فرآیند مدلسازی میشود، لذا توصیه میشود از روشهای کاهش بعد همچون تحلیل مولفههای اصلی برای کاهش ابعاد داده استفاده شود. | ||
کلیدواژهها | ||
"؛ شاخص کیفی آب"؛ ،"؛ کاهش ابعاد"؛ الگوریتم های یادگیری ماشین"؛ تحلیل مؤلفههای اصلی"؛ ، "؛ تحلیل مؤلفههای مستقل" | ||
آمار تعداد مشاهده مقاله: 288 |