پایش اکسیژن خواهی بیوشیمیایی در لایه های سطحی دریاچه با بهره گیری از یادگیری ماشین

با افزایش رشد فناوری و جمعیت، ورود آلاینده ها به منابع آبی رو به افزایش است و دریاچه های طبیعی در معرض آلودگی و تغذیه گرایی، از مهم ترین منابع آب کشورها به شمار می روند. در این پژوهش، از داده های کیفیت آب برای تخمین غلظت اکسیژن خواهی بیوشیمیایی پنج روزه (BOD₅) در شش زیرحوضه و ۳۴ ایستگاه نظارتی یک دریاچه قطبی با دسترسی سخت و محدود استفاده شد. هدف، کاهش هزینه های پایش، افزایش کارایی نظارت بر کیفیت آب و ارزیابی رویدادهای بحرانی بود. برای این منظور، عملکرد سه مدل یادگیری ماشین و یادگیری عمیق شامل جنگل تصادفی (Random Forest)، XGBoost و شبکه عصبی پیچشی (CNN) با معماری متفاوت ارزیابی شد. متغیرهای ورودی شامل پارامترهای فیزیکی، شیمیایی و زمانی مانند pH، کدورت، اکسیژن محلول، عمق دیسک سکی، رسانایی، دمای آب و زمان نمونه برداری بودند. داده ها در بازه ای ۴۰ ساله از ایستگاه های مختلف گردآوری شد و شامل حدود ۶۵۰ مشاهده بودند. با تحلیل ماتریس همبستگی، ضرایب پیرسون بینBOD₅ و متغیرهای ورودی محاسبه شد. نتایج نشان داد هر سه الگوریتم در پیش بینی BOD₅ موثرند. در مدل جنگل تصادفی، مقدارضریب تعیین (R²) در اعتبارسنجی بین ۰٫۸۵ تا ۰٫۸۶ بود و طبق تحلیل اهمیت متغیرها اکسیژن محلول، pH، کدورت و زمان نمونه برداری مهم ترین پارامترهای تخمین بودند. مدل XGBoost نیز R² برابر ۰٫۸۳ تا ۰٫۸۴ داشت و متغیرهای مهم شامل اکسیژن محلول، pH، کدورت و تاریخ نمونه برداری بودند. مدل CNN بهترین عملکرد را نشان داد و به R² برابر ۰٫۸۸ تا ۰٫۸۹ رسید. بر اساس تحلیل مدل برگزیدهCNN ، رسانایی، اکسیژن محلول، pH، کدورت و ساعت نمونه برداری مهم ترین پیش بینی کننده های BOD₅ بودند.

کلیدواژه ها:

کیفیت آب ، شبکه عصبی کانولوشن ، جنگل تصادفی ، دریاچه قطبی ، لایه بندی حرارتی