مقایسه عملکرد مدل های هوش مصنوعی در تخمین پارامترهای کیفی آب رودخانه در دوره های کم آبی و پرآبی

Abstract

وقوع متناوب دوره های کم آبی و پرآبی درحوضه آبریز زرینه رود علاوه بر تأثیر روی وضعیت کمی آب های سطحی، باعث تغییراتی در کیفیت آب این حوضه شده است. لذا، مدل بندی و پیش بینی پارامترهای کیفی آب رودخانه زرینه رود در دوره های کم آبی و پرآبی، یکی از ضرورت های تحقیقاتی در این رودخانه پرآب شمال غرب ایران بوده است. در این مطالعه، روش های شبکه های عصبی مصنوعی به ازای پنج الگوریتم آموزشی مختلف و سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی، جهت تخمین میزان جامدات محلول TDS به کار گرفته شدند. بدین منظور از داده های کیفیت آب هفت ایستگاه هیدرومتری در حوضه آبریز مذکور با طول دوره آماری 18 ساله (1389-1372) استفاده گردید. ابتدا دوره مطالعاتی مذکور بر اساس میزان جریان در رودخانه به دو دوره کم آبی و پرآبی تفکیک شده، سپس در یک آنالیز اولیه آماری، پارامترهای مؤثر اصلی در تخمین TDS تعیین و برای مدل بندی استفاده گردید. برای مدل بندی 75 درصد داده ها برای کالیبره کردن و 25 درصد برای ارزیابی مدل استفاده شده است. ارزیابی عملکرد مدل های به کار رفته بر اساس آزمون های آماری مختلف، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج حاصل حاکی از عملکرد قابل قبول هر دو روش شبکه های عصبی مصنوعی با الگوریتم آموزشی لونبرگ-مارگارت و سامانه استنتاجی عصبی-فازی تطبیقی در دوره های کم آبی و پرآبی بود. مقایسه عملکرد روش های به کار گرفته شده، نشان داد که عملکرد روش عصبی-فازی تطبیقی در هر دو دوره مطالعاتی بهتر از شبکه های عصبی مصنوعی می‏باشد.