مقایسه عملکرد شبکه عصبی مصنوعی، شبکه عصبی موجک و ماشین بردار پشتیبان در شبیه سازی کیفیت آب سطحی (مطالعه موردی: رودخانه میناب - استان هرمزگان)

رودخانه ها به عنوان منابع اصلی تامین آب شرب، کشاورزی و صنعت، به ویژه در مناطق خشک و نیمه خشکی مثل ایران، از اهمیت حیاتی برخوردارند. پایش و پیش بینی تغییرات کیفی آن ها نقشی اساسی در مدیریت پایدار این منابع ایفا می کند. در این مطالعه، سه رویکرد مدل سازی شامل شبکه عصبی مصنوعی(ANN)، شبکه عصبی ترکیب شده با پیش پردازش موجک (WT-ANN) و ماشین بردار پشتیبان (SVM) برای شبیه سازی دو پارامتر کلیدی کیفیت آب سطحی، یعنی هدایت الکتریکی(EC) و غلظت کلراید (Cl⁻) در رودخانه میناب به کار گرفته شد. از داده های تاریخی ۴۴ ساله (۱۳۹۲–۱۳۴۸) برای توسعه مدل ها استفاده گردید و داده ها به صورت ۷۵ درصد برای آموزش و ۲۵ درصد برای آزمون تقسیم شدند. ورودی های مدل شامل ترکیب های مختلفی از پارامترهای کیفی آب (نظیر کلسیم، سولفات، منیزیم، سدیم و مجموع جامدات محلول) به همراه تاخیرهای زمانی یک و دو ماهه بود. در مدل های ANN و WT-ANN از الگوریتم پس انتشار خطا و توابع انتقال تانسیگ و خطی خالص، و در مدل SVM از کرنل گوسی استفاده شد. ارزیابی نتایج بر اساس معیارهای میانگین مربعات خطا و ضریب همبستگی نشان داد که مدلANN به طور دقیق تری هر دو پارامتر را شبیه سازی می کند (با ضرایب همبستگی ۸۸۵۲/۰ برای EC و ۹۹۲۳/۰ برایCl⁻ ). این یافته ها کارایی بالای مدل های هوش مصنوعی، به ویژه شبکه عصبی مصنوعی را در پیش بینی کیفیت آب رودخانه ها و کمک به کاهش هزینه های پایش تایید می نماید.

کلیدواژه ها:

هدایت الکتریکی (EC) ، کلراید (Cl⁻) ، شبکه عصبی مصنوعی(ANN) ، شبکه عصبی با پیش پردازش موجک(W-ANN) ، ماشین بردار پشتیبان(SVM) ، کیفیت آب سطحی