| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,115 |
| تعداد مقالات | 34,688 |
| تعداد مشاهده مقاله | 49,905,453 |
| تعداد دریافت فایل اصل مقاله | 80,224,285 |
تخمین کیفیت آب سطحی و ارزیابی الگوریتمهای یادگیری ماشین در آبخیز چم انجیر | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 خرداد 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2025.368639.2102 | ||
| نویسندگان | ||
| مریم آریا صدر1؛ داریوش رحیمی* 2؛ مهران زند3؛ هادی امیری4 | ||
| 1گروه جغرافیا طبیعی دانشگاه اصفهان | ||
| 2گروه جغرافیای طبیعی دانشگاه اصفهان، دانشکده علوم جغرافیایی و برنامه ریزی ،دانشگاه اصفهان | ||
| 3تهران-وزارت جهاد کشاورزی، مرکز تحقیقات آب و خاک | ||
| 4گروه اقتصاد دانشگاه اصفهان | ||
| چکیده | ||
| کیفیت آب، به ویژگی های شیمیایی، فیزیکی و بیولوژیکی آب اشاره دارد. درک آن برای سلامت و ایمنی انسان، حفاظت از محیط زیست، توسعه اقتصادی و مدیریت پایدار منابع ضروری است. کیفیت آب یک شاخص کلیدی توسعه انسانی و سلامت جامعه است. پیچیدگی سیستم های آبی، تغییرات آن در طول زمان و مکان، افزایش هزینه و زمان بر بودن آزمایش کیفیت آب و نیاز به پایش مداوم بر دشواری پایش و ارزیابی کیفیت آب اثرگذار است. از این رو هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، برای پیشبینی کیفیت آب به دلیل پارامترهای متنوع، مفید بوده و در مقایسه با روش های آزمایش سنتی، مقرون به صرفه است. هیچ الگوریتم یکنواختی برای پیشبینی کیفیت آب وجود ندارد. در دهه های اخیر کیفیت رودخانه های رشته کوه زاگرس به دلیل فرسایش سازندهای کارستیک، عبور از مناطق سکونتگاهی، تغییرات کاربری اراضی، خشکسالی و تغییر اقلیم کاهش یافته است. برخی از این رودخانه ها مانند کرخه، کارون و دز منبع تامین آب شرب جمعیتی بیش از 10 میلیون نفر هستند. بنابراین تغییر در کیفیت آب منجر به افزایش خطر و تهدید آب شرب این سکونتگاهها میشود. بنابراین بررسی کیفیت منابع آب و ارائه مدل مناسب آن نقش موثری در مدیریت تامین آب مورد نیاز خواهد داشت. پژوهش حاضر، بر آنست ضمن پایش کیفیت آب حوضه آبخیز چم انجیر، بهترین الگوریتم یادگیری ماشین در تخمین آن را ارزیابی کند. داده ها: برای انتخاب مدل مناسب هوش مصنوعی و بررسی کیفیت منابع آب سطحی حوزه آبخیز چم انجیر، از 321 نمونه از عناصر دبی چم انجیر در دوره 2021-1969 استفاده شد. این نمونهها، از شاخصهای فیزیکی و شیمیاییTDS, TH, SAR, na, mg, Ca,Cl ایستگاه هیدرومتریک چم انجیر انتخاب شدهاند.الگوریتمهای یادگیری ماشین برای مدلسازی کیفیت آب مؤثر هستند. نتایج نشان داد در حوزه آبخیز چم انجیر، روند روبهرشد در غلظتهای TDS و TH از سال 1985 وجود دارد. SVM در پیشبینی TDS و TH از CART بهتر عمل کرد. یافتهها نشان داد کاهش دبی رودخانه، افزایش مصرف آب و زمین شناسی کارست در میزان غلظت TH و TDS تأثیر دارند. پایش کیفیت آب برای مدیریت منابع آب ضروری است. برای تخمین های آینده کیفیت آب در این مطالعه، الگوریتم SVM توصیه میشود. | ||
| کلیدواژهها | ||
| درخت تصمیم؛ سختی آب؛ صحت سنجی؛ کیفیت آب؛ ماشین بردار ویژه | ||
| عنوان مقاله [English] | ||
| Application of Machine Learning Algorithms in Surface Water Quality Estimation in The Cham Anjir watershed | ||
| نویسندگان [English] | ||
| Maryam AriaSadr1؛ Dariush Rahimi2؛ Mehran Zand3؛ Hadi Amiri4 | ||
| 1Physical Geography ,Iniversity of Isfahan | ||
| 2Physical Geography ,University of Isfahan | ||
| 3soil conservation and watershed management research institude, agricultural research, education and extension.organization (AREEO), | ||
| 4Department of Economics, Faculty of Economics and Administrative Sciences, University of Isfahan, Isfahan, Iran | ||
| چکیده [English] | ||
| Water quality is an important indicator of health. Determining water quality requires expensive tests. In this research, Support Vector Machine (SVM) and Classification And Regression Tree (CART) algorithms have been evaluated. To calibrate the techniques, 321 test samples of physical-chemical elements of Cham Anjir station (1969-2021) were used. According to the results of the correlation matrix, Total Hardness (TH) in water and Total Dissolved Solids (TDS) in water were selected to evaluate and select the optimal model. The results of the trend test showed that the concentration of both indicators has increased since 1985. The evaluation indicators of the SVM, showed that the best results of the SVM were obtained in the KernalLinear model and in the CHAID method (CART) algorithm at the 95% combination threshold. 10 rules were presented for estimating TDS, and 119 rules for estimating TH . The Validation of SVM and CART algorithms of observational and estimated data showed that MSE, MAE, R2 coefficients are not different in both SVM and CART models. But the estimations of TH in water and TDS. The amount of RMSE in SVM was less than 10%. Therefore, the SVM obtained better results compared to the CART for estimated data. | ||
| کلیدواژهها [English] | ||
| Decision Tree, Support Vector Machine, Total Hardness, Validation, Water quality | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 613 |
||