ارزیابی عملکرد روش دسته بندی گروهی داده ها (GMDH) ، ماشین بردار پشتیبان (SVM) و شبکه عصبی تابع پایه شعاعی(RBF )در پیشبینی پارامترهای کیفی رودخانه کرج

کیفیت آب یکی از مهمترین عواملی است که در مدیریت منابع آب مورد توجه قرار می گیرد. پژوهش حاضر به بررسی عملکرد روش دسته بندی گروهی داده ها، ماشین بردار پشتیبان و شبکه عصبی پایه شعاعی در پیشبینی کیفیت آب رودخانه کرج می پردازد. در این پژوهش پارامترهای نسبت جذب سدیم و یون کلر به عنوان شاخص های کیفی آب در مصارف کشاورزی در دوره ی 18 ماهه بررسی شده است. ارزیابی کارایی مدل ها در این بازه زمانی بر اساس نوسانات یون های سدیم، کلسیم، منیزیم، pH، Ec و دبی جریان رودخانه که موثر بر غلظت این دو یون می باشد، صورت گرفته است. کارایی مدل ها با شاخص های ضریب تبیین و ریشه میانگین مربعات خطا ارزیابی شدند. در دوره صحت سنجی ضریب تبیین و ریشه میانگین خطا برای یون کلر در مدل GMDH به ترتیب 0/91 و 0/71ppm، در مدل SVM این مقادیر 0/84 و 1/25ppm و در مدل RBF این مقادیر 0/59 و 1/89ppm بدست آمده است. این شاخص ها برای نسبت جذب سدیم در مدل GMDH به ترتیب 0/98 و 0/12ppm، برای مدل 0/92 SVM و 0/39ppm و در مدلRBF این شاخص ها به ترتیب 0/62 و 0/85ppm محاسبه شده است. نتایج بدست آمده از پژوهش بیانگر آن است که عملکرد مدلGMDH نسبت به مدل های SVM وRBF در پیش بینی پارامترهای کیفی یاد شده از دقت بالاتری برخوردار است. این برتری به سبب عملکرد لایه ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون های بهینه در هر لایه حرکت به سمت داده های پیشبینی شده را جهت دهی می نماید درحالیکه مدل SVM از منحنی های نرمال برای تعریف مرز تصمیم در پیشبینی داده ها استفاده می کند.

کلیدواژه ها:

روش دسته بندی گروهی داده ها ، ماشین بردار پشتیبان ، شبکه عصبی تابع پایه شعاعی ، پارامترهای کیفی آب ، رودخانه کرج.