پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,116,095 |
| تعداد دریافت فایل اصل مقاله | 97,220,572 |
قیاس روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیش‌بینی پارامترهای کیفیت آب رودخانه دیناچال | ||
| تحقیقات آب و خاک ایران | ||
| دوره 55، شماره 7، مهر 1403، صفحه 1033-1046 اصل مقاله (1.44 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.370818.669644 | ||
| نویسندگان | ||
| سینا اسدپور لمر1؛ کیومرث ابراهیمی* 2 | ||
| 1گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران | ||
| 2گروه مهندسی انرژی های نو و منابع پایدار، دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| پیش‌بینی پارامترهای کیفیت آب نقش بسیار مهمی در پایش اکوسیستم رودخانه‌ها و پایداری آن ایفا می‌کند. ازطرفی، مدل‌های پیش‌بینی سنتی به‌خوبی ذات غیرخطی و غیرایستای متغیرهای کیفیت آب را نشان نمی‌دهند. در سال‌های اخیر، توسعه سریع شبکه‌های عصبی‌مصنوعی بحث‌های مرتبط با پیش‌بینی کیفیت‌آب را متحول نموده است. در این مطالعه، پارامترهای کیفی رودخانه دیناچال به‌عنوان یکی از رودخانه‌های حیاتی در استان گیلان مورد ارزیابی و پیش‌بینی قرارگرفته است. دو مدل مبتنی بر شبکه‌عصبی‌مصنوعی و ماشین‌بردار‌پشتیبان رگرسیونی، نُه پارامتر کیفی کلموادجامدمحلول، هدایت‌الکتریکی، اسیدیته، Cl، SO4، HCO3، Ca، Mg و Na با گام‌های زمانی یک ماه طی سال‌های 1385 تا 1397 پیش‌بینی شد و کارایی مدل‌ها توسط آماره‌های ارزیابی RMSE، MSE و MAPE بررسی و مقایسه شد. طبق نتایج به‌دست‌آمده، مدل SVR به‌ترتیب با (03/2=RMSE) و (062/0=RMSE) کارایی بهتری در پیش‌بینی کلموادجامدمحلول و غلظت منیزیم نسبت به مدل شبکه‌عصبی‌مصنوعی نشان‌داد. از‌طرف‌دیگر، مدل شبکه‌عصبی‌مصنوعی در پیش‌بینی پارامترهای دیگر نسبتاً موفق‌تر بود. بااین‌حال، کارایی هر دو مدل در پیش‌بینی پارامترهای کیفی رودخانه دیناچال مناسب ارزیابی شد. همچنین مدل SVR با ضریب MAPE برابر با 007/0 و مدل شبکه‌عصبی‌مصنوعی با ضریب MAPE برابر با 001/0 در پیش‌بینی پارامترهای کلموادجامدمحلول و هدایت‌الکتریکی بهترین کارایی را داشتند. در مقابل، هر دو مدل SVR و ANN در پیش‌بینی پارامتر کلر ضعیف‌ترین کارایی را باوجود RMSE 055/0 و 052/0 از خود نشان دادند. روش‌های به‌کارگرفته‌شده در این مطالعه می‌تواند در پیش‌بینی کیفیت آب دیناچال مؤثر واقع شود. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی کیفیت آب؛ رود دیناچال؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Comparison of artificial neural network methods and support vector machine in predicting water quality parameters of Dinachal river, IRAN | ||
| نویسندگان [English] | ||
| Sina Asadpour lomer1؛ Kumars Ebrahimi2 | ||
| 1Irrigation and Reclamation Engineering Department, Faculty of Agriculture, University of Tehran, Karaj, Iran. | ||
| 2Professor, Department of Renewable Energies and Sustainable Resources Engineering, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Predicting water quality parameters plays a crucial role for monitoring of ecosystems of rivers and their sustainability. Alongside this, conventional prediction models are not able to capture the non-linearity and non-stationary inherence of water quality datasets. In recent years, the rapid development of machine learning methods has transformed the water quality prediction fields. In this study, water quality parameters for the Dinachal River in Guilan province have been assessed and predicted. Two models based on Artificial Neural Networks (ANN) and Support Vector Regression (SVR) were utilized to predict nine water quality parameters as TDS, EC, pH, Cl, SO4, HCO3, Ca, Mg, and Na with monthly timesteps between 2006 and 2018. Then, the model’s performance was evaluated using RMSE, MSE, and MAPE indices. According to the results, the SVR model was superior in predicting TDS and Mg parameters with an RMSE Index of 2.03 and 0.062, respectively. Simultaneously, ANN had a slightly better accuracy in the prediction of remaining parameters. However, prediction results for both models in the case study were satisfactory. In addition, the SVR model predicted TDS with a MAPE of 0.007, which was the best compared to other parameters. At the same time, the ANN model had better performance in predicting EC with a MAPE of 0.001. Prediction results for Cl had also the lowest accuracy among water quality parameters with an RMSE of 0.055 and 0.052 for SVR and ANN, respectively. Methods utilized in this study can be effective in predicting water quality parameters of Dinachal river. | ||
| کلیدواژه‌ها [English] | ||
| ANN, Dinachal River, SVR, Water Quality Prediction | ||
| مراجع | ||
|
Abbasi, A., Khalili, K., Bahmanesh, J & Shirzad, A. (2020). Application of Support Vector Machine and Bayesian Network for Agricultural Drought Prediction. Journal of Watershed Engineering and Management, 107-124 and (1)12. (In Persian) Abobakr Yahya, A. S. Ahmed, A. N. Binti Othman, F. Ibrahim, R. K. Afan, H. A. El-Shafie, A. & Elshafie, A. (2019). Water Quality Prediction Model-Based Support Vector Machine Model for ungauged River Catchment under Dual Scenarios. Water, 11(6), 1231. Ahmadi, F., Radmanesh, F & Mirabbasi Najaf Abadi, R. (2015). Comparison between Genetic Programming and Support Vector Machine Methods for Daily River Flow Forecasting (Case Study: Barandoozchay River). Journal of Water and Soil, 1162-1171 and 28 (6). (In Persian) Amini, A., Nouri, HA & Aslani Sangdeh, B. (2015). Evaluation of Rice Production Sustainability Using Multi-Criteria Decision-Making Methods: The Case of Razvanshahr County. Agricultural Education and Extension Sciences of Iran, 126-101(1)11. (In Persian) Banejad, H. and E. Olyaie (2011). "Application of an Artificial Neural Network Model to Rivers Water Quality Indexes Prediction–A Case Study." Journal of American Science Journal of American Science, 77: 60-65. Chia, S. L. Chia, M. Y. Koo, C. H. & Huang, Y. F. (2022). Integration of Advanced Optimization Algorithms into Least-Square Support Vector Machine (LSSVM) for Water Quality Index Prediction. Water Supply, 22(2), 1951-1963. Cortes, C. and V. Vapnik (1995). "Support-vector networks." Machine Learning 20(3): 273-297. Gorashi, F. & Abdullah, A. (2012). Prediction of Water Quality Index Using Back Propagation Network Algorithm Case Study: Gombak River. Journal of Engineering Science and Technology, 7(4), 447-461. Hosseinpanahi, B., Nikmehr, S & Ebrahimi, K. (2021). Comparison of the Support Vector Machine Models and Radial Function Neural Network in Predicting SiminehRood River Water Quality Iran. Water and Irrigation Management, 409-419 and (3)11. (In Persian) Huang, M. Tian, D. Liu, H. Zhang, C. Yi, X. Cai, J., & Ying, G. (2018). A Hybrid Fuzzy Wavelet Neural Network Model with Self-Adapted Fuzzy c-means Clustering and Genetic Algorithm for Water Quality Prediction in Rivers. Complexity, 2018, 1-11. Iraji, M., Movahedi Naeini, SA., Komaki, CB., Ebrahimi, S & Yaghmaei, B. (2023). Evaluation of the Effective Parameters for Predicting the Potassium Grade of Saline Water by Using Support Vector Machine and Random Forest Algorithms (Case Study: Playa of Khoor and Biabank Area City, Isfahan Province). Iran water and soil research. (In Persian) Jamali, B & Ebrahimi, K. (2011). Time Series Forecasting of Sefidrood River Water Quality Using Linear Stochastic Models. Journal of Agricultural Engineering Research, 31-44 and (3)12. (In Persian) Li, Q., Yang, Y., Yang, L., & Wang, Y. (2023). Comparative Analysis of Water Quality Prediction Performance Based on LSTM in the Haihe River Basin, China. Environmental Science and Pollution Research, 30(3), 7498-7509. Mahapatra, S. S., Nanda, S. K., & Panigrahy, B. K. (2011). A Cascaded Fuzzy Inference System for Indian River Water Quality Prediction. Advances in Engineering Software, 42(10), 787-796. Mohammadi Ghaleni, M., Ebrahimi, K & Omid, MH. (2015). Estimation of Rearation Rate Coefficient on Dinachal River Numerical Methods in Water Quality Management. Water and Irrigation Management, 79-69(1)5. (In Persian) Najwa Mohd Rizal, N., Hayder, G., Mnzool, M., Elnaim, B. M., Mohammed, A. O. Y., & Khayyat, M. M. (2022). Comparison between Regression Models, Support Vector Machine (SVM), and Artificial Neural Network (ANN) in River Water Quality Prediction. Processes, 10(8), 1652. Pedregosa, F., et al. (2012). "Scikit-learn: Machine Learning in Python." Journal of Machine Learning Research 12. Rohmah, M. F., et al. (2021). "Comparison Four Kernels of SVR to Predict Consumer Price Index." Journal of Physics: Conference Series 1737(1): 012018. Roshangar, K & Davoudi, S. (2022). Comparing the Performance of Deep Learning and Machine Learning Methods in Predicting Dissolved Oxygen Content. Iran soil and water research, 1885-1900(8)53. (In Persian) Sakaa, B., Elbeltagi, A., Boudibi, S., Chaffaï, H., Islam, A. R. M. T., Kulimushi, L. C., & Wong, Y. J. (2022). Water Quality Index Modeling Using Random Forest and Improved SMO Algorithm for Support Vector Machine in Saf-Saf River Basin. Environmental Science and Pollution Research, 29(32), 48491-48508. Sattari, M., Abbasgoli Naebzad, M & Mirabbasi Najafabadi. (2014). Surface Water Quality Prediction Using Decision Tree Method. Iranian Journal of Irrigation and Water Engineering, 88-86(3)4. (In Persian) Shahinejad, B., Izadi, Z & Javadi, B (2021). Evaluation of Qual2Kw Model in Qualitative Simulation of Khorramabad River. Hydrogeomorphology. Volume 8, Number 26. (In Persian) Sillberg, C.V., Kullavanijaya, P., & Chavalparit, O. (2021). Water Quality Classification by Integration of Attribute-Realization and Support Vector Machine for the Chao Phraya River. Journal of Ecological Engineering, 22 (9), 70-86 Veisi, M & Mohammadi Rouzbahani, M. (2021). Survey on Shavoor River Using Water Quality Indexes (Hamzeh village to Shavoor dam). Environmental Science and Technology Quarterly, 23-81(5)-93. (In Persian) Yan, J., Liu, J., Yu, Y., & Xu, H. (2021). Water Quality Prediction in the Luan River based on 1-drcnn and bigru Hybrid Neural Network Model. Water,13 (9), 1273. | ||
|
آمار تعداد مشاهده مقاله: 175 تعداد دریافت فایل اصل مقاله: 161 |
||