مدل سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش های پیش پردازنده

آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهم­ترین شاخص­های کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه مدت (LSTM) بر پایه روش­های پیش پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل­ها قابلیت و کارایی بالای روش به کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روش­های پیش پردازنده باعث بهبود نتایج شدند. هم چنین در بررسی­های انجام شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل سازی مکانی، به میزان دو درصد و هم چنین تجزیه مد تجربی در مدل سازی زمانی، به میزان ۱۵ درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای داده­های آزمون با استفاده از تجزیه مد تجربی در حالت مدل سازی زمانی مربوط به یک روز قبل با مقادیر ۹۷۷/۰=DC، ۹۸۸/۰=R و ۰۱۷/۰=RMSE به دست آمد. هم چنین در مدل سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودی­های پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا می­باشد.

Keywords:

اکسیژن محلول , تبدیل موجک , تجزیه مد تجربی , حافظه طولانی کوتاه مدت