تخمین شاخص کیفی آب های سطحی با استفاده از روش های یادگیری ماشین (مطالعه موردی: رودخانه زاینده رود)
Publish place: Journal of Water and Soil Science، Vol: 29، Issue: 3
Publish Year: 1404
نوع سند: مقاله ژورنالی
زبان: Persian
View: 93
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-29-3_009
تاریخ نمایه سازی: 30 مهر 1404
Abstract:
باتوجه به نیاز روزافزون به منابع آب و کاهش منابع آب سطحی، آگاهی از کیفیت منابع آب سطحی از نیازهای مهم در برنامه ریزی، توسعه و حفاظت از منابع آب به شمار می رود. این پژوهش با هدف مدل سازی شاخص کیفیت آب (ویژگی پرکاربرد تعیین کیفیت آب) به کمک مدل های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان در رودخانه زاینده رود انجام شده است. باتوجه به تعدد شاخص های کیفیت آب، در این پژوهش از شاخص NSFWQI استفاده شد. ابتدا این شاخص محاسبه و در ادامه، از داده های ورودی شامل ویژگی های کیفی آب ۸ ایستگاه در یک دوره ۳۱ساله و شاخص کیفیت آب رودخانه استفاده شد. در این پژوهش در مرحله آموزش ۸۰ درصد داده ها و در مرحله ارزیابی ۲۰ درصد باقی مانده استفاده شده و بر اساس نتایج معیارهای ارزیابی R۲، CRMو NRMSE مدل بهینه انتخاب شد. نتایج نشان داد در چهار ایستگاه الگوریتم ماشین بردار پشتیبان (-۰/۰۰۳۱۲
Keywords:
Random Forest , Zayandeh-Rood , Support vector machine , Machine learning models , Water quality characteristics , جنگل تصادفی , زاینده رود , ماشین بردار پشتیبان , مدل های یادگیری ماشین , ویژگی های کیفیت آب
Authors
محمد شایان نژاد
Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran.
الهام فاضل نجف آبادی
Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran.
فهیمه حاتمیان جزی
Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
