تعداد نشریات | 26 |
تعداد شمارهها | 326 |
تعداد مقالات | 2,803 |
تعداد مشاهده مقاله | 4,228,977 |
تعداد دریافت فایل اصل مقاله | 2,881,987 |
ارزیابی کارائی روشهای کاهش پارامترها در بهبود دقت مدلسازی شاخص کیفی آب در رودخانة قزل اوزن با استفاده از الگوریتمهای یادگیری ماشین | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 12، دوره 4، شماره 2، خرداد 1403، صفحه 89-104 اصل مقاله (1.32 M) | ||
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 بهشمار 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 رودخانة قزل اوزن در ایستگاه قرهگونئی روستایی از توابع بخش حلب شهرستان ایجرود در استان زنجان 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 دورة آماری ۲۱ساله (1398-1378) محاسبه شد. با توجه به تعداد نسبتاً زیاد پارامترها از روشهای تحلیل مؤلفههای اصلی و تحلیل مؤلفههای مستقل برای کاهش ابعاد استفاده شد. سپس از الگوریتمهای مختلف یادگیری ماشین شامل درخت تصمیم، رگرسیون لجستیک و شبکة عصبی مصنوعی پرسپترون چندلایه برای مدلسازی شاخص کیفی آب استفاده شد. با استفاده از این روشها تعداد پارامترهای مورد نیاز برای محاسبة شاخص کیفی از 12 به دو کاهش یافت. کاهش ابعاد دادهها باعث صرفهجویی در زمان نمونهبرداری، پایش نمونهها و تعیین کیفیت آب شده و هزینههای مورد نیاز 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 کارایی بهتری میتواند داشته باشد. همچنین، نتایج نشان داد که از بین روشهای مورد استفاده در مدلسازی، روش شبکة عصبی پرسپترون چندلایه با استفاده از تحلیل مؤلفههای اصلی با ضریب تبیین 99/0، جذر میانگین مربعات خطا برابر 79/44 و ضریب ویلموت اصلاح شده برابر 99/0 بهترین عملکرد را داشته است. با توجه به 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 مانند تحلیل مولفههای اصلی برای کاهش ابعاد داده استفاده شود. نتایج حاصل از بررسیها برتری روش تحلیل مؤلفههای اصلی نسبت به روش تحلیل مؤلفههای مستقل را نشان میدهد. | ||
کلیدواژهها | ||
شاخص کیفی آب؛ کاهش ابعاد؛ الگوریتمهای یادگیری ماشین؛ تحلیل مؤلفههای اصلی؛ تحلیل مؤلفههای مستقل | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 420 تعداد دریافت فایل اصل مقاله: 99 |