مدلسازی آلودگی آب با استفاده از یادگیری جمعی بهینه و قابل توضیح

مدیریت منابع آب به دلیل اهمیت آن در محیط زیست، نقش حیاتی ایفا می کند. این مطالعه با استفاده از یک رویکرد نوین هوش مصنوعی قابل توضیح بر یکی از شاخصهای پرکاربرد آلودگی آب تمرکز می کند. این مطالعه از سه تکنیک بهینه سازی به همراه یادگیری ماشین جمعی انسمبل، برای تخمین تغییرات شاخص شوری آب رودخانه ساوت پلات در ایالات متحده بهره می برد. در نتیجه، سه مدل ماشین یادگیری انسمبل بهینه توسعه داده شد که برای مانیتورینگ و شبیه سازی نوسانات کیفی آب رودخانه مورد نظر بهینه شده بودند. نتایج نشان داد که مدل انسمبل بهینه غیرخطی از سایر مدلهای انسمبل بهینه بهتر عمل می کند. شاخص R۲ برابر با ۰.۹۹۵۸ در بهترین مدلسازی توسط مدل یادشده حاصل شد. مدل مذکور به دلیل مقدار کمینه مساحت روی منحنی رگرسیون مشخصه گیرنده برابر با ۲۰۲۱۲.۶ بعنوان دقیق ترین مدل تعیین شد. در نهایت، از تحلیل توضیح جمعی شکلی برای شناسایی عوامل مهم در نوسانات کیفی آب استفاده شد.

کلیدواژه ها:

مدلسازی کیفی ، آب آلاینده غیر نقطه ای ، یادگیری جمعی ، بهینه سازی ، هوش مصنوعی ، قابل توضیح