مقایسه روش‌های شبکه عصبی بیزین، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در تحلیل کیفیتت آب رودخانه‌ها (مطالعه موردی: رودخانه بالخلوچای)

میزان کل مواد جامد محلول (tds) عامل مهمی در مهندسی رودخانه و به ویژه مطالعه کیفیت آب رودخانه ها می باشد. در این تحقیق جهت تحلیل میزان مواد جامد محلول در آب رودخانه بالخلوچای واقع در استان اردبیل از متغیرهای کیفیت شامل بی کربنات، کلرید، سولفات، کلسیم، منیزیم، سدیم و دبی جریان در مقیاس زمانی ماهانه طی دوره آماری (1388-1355) بعنوان ورودی مدل شبکه عصبی بیزین استفاده گردید و نتایج آن با مدل های شبکه عصبی مصنوعی و برنامه ریزی بیان ژن، مقایسه شد. معیارهای ضریب همبستگی، ریشه دوم میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد که هرچند سه مدل مورد بررسی با دقت قابل قبولی توانسته اند به تخمین میزان مواد جامد محلول در آب بپردازند، لیکن مدل شبکه عصبی بیزین با بیشترین ضریب همبستگی (966/0)، کمترین ریشه دوم یا جذر میانگین مربعات خطا (mg/lit 094/0) و نیز معیار نش ساتکلیف (998/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج بیان گر برتری مدل شبکه عصبی بیزین در تخمین مقادیر کمینه و بیشینه ی مواد جامد محلول در آب می باشد.

Comparison of Bayesianneural Network, Artificial Neural Network Gene Expression Programming in River Water Quality (Case Study: Belkhviachay river)

The amount of total dissolved solids (TDS) is an important factor in stream engineering, especially study of river water quality. This study estimates the TDS amount of Belkhviachayriver in Ardabil Province, using bayesian neural network, gene smart and artificial neural network. Quality variables include hydrogen carbonate, chloride, sulfate, calcium, magnesium, sodium and inflow (Q) in monthly time scale during the period (19762009) as input and TDS were chosen as output parameters. The criteria of correlation coefficient, root mean square error and of Nash Sutcliff coefficientwere used to evaluate and performance compare ofmodels. The results showed that however the models could be used to estimate with reasonable accuracy the amount of dissolved solids in water deal, but regarding to accuracy, bayesian neural network model with the highest correlation (0.966), minimum root mean square error (0.094ppm) and the Nash Sutcliff (0.998) were put in the verification phase. The results showed that the bayesian neural network model to estimate high minimum and maximum values ​​of dissolved solids in water.