ارزیابی مدلهای تلفیقی هوش مصنوعی در تخمین غلظت مواد جامد محلول در بالادست شهر ساری

مقدمه رودخانه ها، به عنوان منابع حیاتی طبیعت و پایه های اصلی توسعه پایدار شناخته می شوند. لذا، کمیت و کیفیت آب رودخانه ها جز پارامترهای ارزشمند محسوب می شوند. افزایش فعالیت های کشاورزی و صنعتی، باعث کاهش کیفیت منابع آب در بسیاری از نقاط شده است. تخلیه فاضلاب، زباله و کودهای شیمیایی در روستاهای حاشیه رودخانه ها از مهم ترین منابع آلودگی کیفیت آب به شمار می رود. حجم ورود پساب های شهری و کشاورزی به این رودخانه، باعث افزایش مقادیر آلاینده ها شده، به طوری که در بازه سال های ۱۳۷۲ تا انتهای سال ۱۳۹۶، میانگین آلاینده های موجود در ایستگاه ورند برای سه آلاینده مواد جامد محلول، کلر و سدیم به ترتیب برابر ۵۰۷.۴۹، ۲.۱۶ و ۲.۴۷ بوده است. بنابراین، برآورد دقیق پارامترهای کیفیت آب، یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است. مواد و روش ها حوضه تجن، با مساحتی در حدود ۴۱۴۷.۲۲ کیلومتر مربع دارای میانگین دبی رودخانه و بارندگی سالانه به ترتیب ۲۰ متر مکعب بر ثانیه و ۵۳۹ میلی متر است. بیشترین و کمترین ارتفاع حوضه، به ترتیب ۳۷۲۸ و ۲۶ متر گزارش شده است. فعالیت های مختلفی نظیر کشاورزی و سدسازی در این رودخانه صورت می گیرد. در این پژوهش، از تلفیق دو مدل برنامه نویسی بیان ژن (GEP) و شبکه عصبی مصنوعی (ANN)، با یکی از الگوریتم پیش پردازش داده به نام EMD برای تخمین یکی از پارامتر مهم کیفیت آب به نام مواد جامد محلول (TDS) استفاده شد. بدین منظور، در این پژوهش، برای مدلسازی و برآورد مقادیر مواد جامد محلول از چندین داده کیفی شامل سدیم، کلسیم، منیزیم، سولفات بی کربنات، سولفوریک اسید و کلر که در بازه سال های ۱۳۷۲ تا انتهای سال ۱۳۹۶ در ایستگاه ورند اندازه گیری شده، استفاده شد. نتایج و بحث در ابتدا، نتایج حاصل از داده های مشاهداتی در طول مدت نمونه برداری نشان دادند که مقادیر TDS در حدود ۸۰ درصد از نمونه ها در بازه ۳۰۰ تا ۶۰۰ میلی گرم بر لیتر بوده که بیانگر کیفیت خوب آب این رودخانه بوده است. برای مقایسه عملکرد مدل های مستقل و ترکیبی برای تخمین پارامترهای کیفی رودخانه در مراحل آموزش و آزمون، شاخص های آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین انحراف خطا  (MBE)، ضریب نش (NSE)، تابع هدف (OBJ) و نسبت RSD، استفاده شدند. نتایج حاصل از این مطالعه نشان داد که مدل ترکیبی حاصل از برنامه نویسی بیان ژن و تجزیه مود تجربی (EMD-GEP) توانست با کمترین خطا ( ۰.۲۳=RSD و ۲۴.۴۱=RMSE) عملکرد بالاتری را در مقایسه با سایر مدل ها مانند مدل GEP ( ۰.۴۴ =RSD و RMSE=۴۷.۲۷) در تخمین این پارامتر کیفی آب داشته باشد. علاوه بر این، مدل ترکیبی حاصل از شبکه عصبی مصنوعی و تجزیه مود تجربی (EMD-ANN) با ۳۶.۶۴ =RMSE و ۰.۹۵=R بعد از EMD-GEP، در رتبه دوم قرار گرفت. مطابق نتایج حاصل از تابع هدف برای هریک از مدل ها، مدل EMD-GEP دارای مقادیر تابع هدف کمتری (۱۵.۹۲=OBJ) نسبت به سایر مدل ها در مدلسازی مواد جامد محلول است. درحالی که، بیشترین مقدار تابع هدف (۲۹.۳۴=OBJ) متعلق به مدلGEP  است. نتیجه گیری به منظور، تخمین مواد جامد محلول در رودخانه تجن، از روش های ANN و GEP در این پژوهش استفاده شد. سپس، برای تقویت برآوردها از الگوریتم های تجزیه مود تجربی برای پیش پردازش داده های سری زمانی استفاده شد. نتایج به دست آمده از مدل های هوشمند تلفیقی با استفاده از شاخص های آماری خطا، مانند ضریب همبستگی، ریشه میانگین مربعات خطا، مورد ارزیابی قرار گرفت. نتایج نشان داد که روش EMD، باعث تقویت مدل های  ANN و GEP، در راستای تخمین این پارامتر کیفی آب در ایستگاه ورند شده اند. به طوری که مدل های ترکیبی حاصل از GEP و ANN توانست ۴۸.۳۵ درصد و ۱۴.۰۲ درصد خطای RMSE را به ترتیب در مقایسه با دو مدل مستقل GEP و ANN کاهش دهد.

کلیدواژه ها:

الگوریتم های پیش پردازش داده ها ، برنامه نویسی بیان ژن ، شبکه عصبی مصنوعی ، رودخانه تجن