مدلسازی و پیش بینی مواد جامد محلول در رودخانه تجن با استفاده از رویکرد مبتنی بر هوش مصنوعی بر پایه الگوریتم های پیش پردازش کننده

کیفیت آب یکی از مهم ترین عوامل موثر در زندگی سالم و حیات بشر است. از این رو، شناسایی مواد جامد محلول (TDS) یکی از مهمترین عوامل آن می باشد؛ که بسیاری از برنامه های توسعه منابع آب در شناسایی این عوامل اجرا خواهند شد. پیش بینی دقیق پارامترهای کیفیت آب یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است. در این مطالعه، با استفاده از یک الگوریتم پیش پردازش داده جدید، EEMD، برای تخمین یکی از پارامترهای مهم کیفیت آب، بنام TDS استفاده شده است. پذیرش و قابلیت اطمینان مدل های پیشنهادی (به عنوان مثال ، شبکه های عصبی مصنوعی (ANN) ، EEMD-ANN ، ماشین بردار پشتیبان(SVM) و EEMD-SVM ) با استفاده از پنج معیار عملکرد و نمودارهای تصویری ارزیابی شد. مقایسه نتایج بین مدل های مستقل و ترکیبی نشان داد که الگوریتم های پیش-پردازنده می توانند عملکرد مدل SVM ترکیبی را برای برآورد پارامتر کیفی TDS افزایش دهد. به عنوان مثال، مدل EEMD-SVM باRMSE برابر ۲۳/۲۰برای مرحله آموزش و RMSE برابر ۲۹/۲۷ برای مرحله آزمایش در ایستگاه ورند و RMSE = ۴۵.۲۶ برای مرحله آموزش و RMSE =۴۰.۰۶ برای مرحله آزمایش در ایستگاه گرمرود، از سایر مدل های ترکیبی و مستقل بهتر عمل کرده است. از این رو، می توان روش ترکیبی ماشین های بردار پشتیبان بر پایه الگوریتم پیش پردازش کننده EEMD را به عنوان یک مدل برتر به تصمیم گیران جهت برنامه ریزی و مدیریت در زمینه تشخصی کیفیت آب رودخانه ها پیشنهاد کرد.

کلیدواژه ها:

پارامترهای کیفیت آب ، جامدات جامد محلول ، الگوریتم های پیش پردازش داده ها ، شبکه های عصبی مصنوعی ، ماشین بردار پشتیبان