مدل سازی غلظت نیترات در منابع آب با بهره گیری از رگرسیون ماشین پشتیبان و الگوریتم بهینه سازی متاهیوریستیک شاهین هریس

هدف: هدف این مطالعه توسعه یک مدل یادگیری ماشین برای شبیه سازی غلظت نیترات است. شبیه سازی و پیش بینی غلظت نیترات همیشه از مهم ترین مسائل در حوزه مدیریت منابع آب بوده است.  روش پژوهش: در این تحقیق بعد از جمع آوری داده ها ابتدا داده های مربوط به غلظت نیترات با استفاده از JNB خوشه بندی شدند، سپس برای هر خوشه یک مدل SVR توسعه داده شد، هم زمان با فرآیند آموزش این مدل از الگوریتم SFFS برای انتخاب متغیرهای وردی به مدل استفاده شد، سپس  بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص های خطا برای مرحله آموزش و تست محاسبه شدند، در این حالت از روش سعی و خطا برای این کار استفاده شد. در گام بعد از الگوریتم HHO برای تعیین مقدار بهینه پارامترهای توابع کرنل استفاده شد.  یافته ها: بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص های خطا برای مرحله آموزش (RMSE = ۰.۲۳۸۷ , MAE = ۰.۲۲۳۶ , R۲=۰.۹۸۷۴) و تست (RMSE = ۰.۲۴۷۴ , MAE = ۰.۲۳۵۰ , R۲=۰.۹۸۴۱) نتایج حاصل از الگوریتم HHO شامل مقدار شاخص های R۲  و RMSE, MAE برای مرحله آموزش به ترتیب برابر ۰.۱۵۰۲،۰.۱۱۶۹،۰.۹۹۶۱ است و مقدار آن ها برای مرحله تست به ترتیب برابر ۰.۱۳۰۸،۰.۹۸۴۵، ۰.۹۹۷۸ است. بر اساس نتایج حاصل از این مطالعه اولا استفاده از HHO برای پیش بینی غلظت نیتزات میتواند باعث افزایش چشمگیر دقت مدل SVR می شود، دوما استفاده به جا از مدل های  یادگیری ماشین مختلف در کنار هم میتوانند نقش موثری در افزایش دقت مدل های رگرسیونی مانند SVR داشته باشد.  نتیجه گیری: این تحقیق نشان داد که با انتخاب مناسب متغیرها، حتی در صورت استفاده از یک مدل نسبتا ساده مانند SVR، می توان به نتایج بسیار دقیقی دست یافت. این نشان می دهد که کیفیت داده ها و انتخاب ورودی های مناسب به اندازه پیچیدگی خود مدل اهمیت دارد. در نهایت، این تحقیق تایید می کند که ترکیب الگوریتم های بهینه سازی مانند HHO با مدل های یادگیری ماشین و به کارگیری روش های انتخاب ویژگی، می تواند به عنوان یک راهکار موثر برای بهبود دقت پیش بینی ها در مسائل مرتبط با منابع آب، به ویژه در پیش بینی آلاینده های مهم، مورداستفاده قرار گیرد. این راهبردها می توانند در مدیریت بهتر منابع آب و کاهش آلودگی های ناشی از نیترات و سایر آلاینده ها به کار گرفته شوند.

کلیدواژه ها:

نیترات ، شبکه عصبی مصنوعی ، آب های زیرزمینی ، آلودگی ، یادگیری ماشین