ارزیابی کارائی روش های کاهش پارامترها در بهبود دقت مدل سازی شاخص کیفی آب در رودخانه قزل اوزن با استفاده از الگوریتم های یادگیری ماشین

آگاهی از کیفیت آب یکی از نیازهای مهم در برنامه ریزی، توسعه و حفاظت از منابع آب به شمار می رود. تعیین کیفیت آب برای مصارف مختلف از جمله آبیاری و شرب در مناطق مختلف ضروری است. استفاده از روش های مدرن داده کاوی، می توانند رویکرد مناسبی برای پیش بینی و طبقه بندی کیفیت آب ارائه دهند. در پژوهش حاضر کیفیت آب رودخانه قزل اوزن در ایستگاه قره گونئی روستایی از توابع بخش حلب شهرستان ایجرود در استان زنجان مورد ارزیابی قرار گرفت. در این راستا شاخص کیفی آب شرب (WQI) با استفاده از پارامترهای شیمیایی سختی کل، قلیائیت (pH)، هدایت الکتریکی، کل مواد جامد محلول، کلسیم، سدیم، منیزیم، پتاسیم، کلر، کربنات، بی کربنات و سولفات در دوره آماری ۲۱ساله (۱۳۹۸-۱۳۷۸) محاسبه شد. با توجه به تعداد نسبتا زیاد پارامترها از روش های تحلیل مولفه های اصلی و تحلیل مولفه های مستقل برای کاهش ابعاد استفاده شد. سپس از الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، رگرسیون لجستیک و شبکه عصبی مصنوعی پرسپترون چندلایه برای مدل سازی شاخص کیفی آب استفاده شد. با استفاده از این روش ها تعداد پارامترهای مورد نیاز برای محاسبه شاخص کیفی از ۱۲ به دو کاهش یافت. کاهش ابعاد داده ها باعث صرفه جویی در زمان نمونه برداری، پایش نمونه ها و تعیین کیفیت آب شده و هزینه های مورد نیاز برای مدل سازی را به مقدار قابل توجهی کاهش می دهد. نتایج نشان داد از بین روش های کاهش بعد روش تحلیل مولفه های اصلی نسبت به روش تحلیل مولفه های مستقل کارایی بهتری می تواند داشته باشد. هم چنین، نتایج نشان داد که از بین روش های مورد استفاده در مدل سازی، روش شبکه عصبی پرسپترون چندلایه با استفاده از تحلیل مولفه های اصلی با ضریب تبیین ۹۹/۰، جذر میانگین مربعات خطا برابر ۷۹/۴۴ و ضریب ویلموت اصلاح شده برابر ۹۹/۰ بهترین عملکرد را داشته است. با توجه به این که ابعاد زیاد داده در بررسی و مدل سازی کیفیت آب باعث پیچیدگی و زمان بر بودن فرآیند مدل سازی می شود، لذا توصیه می شود از روش های کاهش بعد مانند تحلیل مولفه های اصلی برای کاهش ابعاد داده استفاده شود. نتایج حاصل از بررسی ها برتری روش تحلیل مولفه های اصلی نسبت به روش تحلیل مولفه های مستقل را نشان می دهد.

Keywords:

شاخص کیفی آب , کاهش ابعاد , الگوریتم های یادگیری ماشین , تحلیل مولفه های اصلی , تحلیل مولفه های مستقل