کاربرد مدل های هوش مصنوعی در شبیه سازی کیفیّت آب بابلرود و سفیدرود

میزان کل مواد جامد محلول عامل مهمّی در تعیین کیفیّت آب رودخانه ها می باشد. در این مطالعه، از پنج مدل مبتنی بر داده شامل سه مدل فرا ابتکاری علف هرز مهاجم، کلونی زنبور عسل، ازدحام ذرات، مدل ماشین بردارپشتیبان و شبکه‌عصبی‌بیزین در پیش بینی کیفیّت آب بابلرود و سفیدرود استفاده شد. برای این منظور از داده های منتشر نشده ی ماهیانه ی کلسیم، منیزیم، بی‌کربنات، سدیم، سولفات، ec، ph وکل مواد جامد محلول  از ایستگاه قرآن‌تالار بابلرود و ایستگاه پروریج آباد سفیدرود به ترتیب در بازه های زمانی 1357-1394 و 1394-1383 تجزیه ‌و تحلیل شد. نتایج ارزیابی این پنج مدل بر مبنای معیارهای ضریب تبیین، جذر میانگین مربعات خطا و ضریب نش - ساتکلیف نشان داد که روش هیبریدی کلونی زنبورعسل در ایستگاه هیدرومتری قرآن تالار بابلرود و پروریج آباد سفید رود در بخش صحّت سنجی با بیشترین ضریب تبیین به ترتیب برابر با 0.985 و 0.989 و کمترین جذر میانگین مربعات خطای 10.493 و 5.289 میلی‌گرم بر لیتر و بیشترین ضریب نشساتکلیف مساوی 0.983 و 0.992 نسبت به چهار مدل دیگر برتری بالا و سریعی در ارزیابی کیفیّت آب دارد. 

evaluation of intelligent models in water quality simulation of the babolrood and sefidrood rivers, iran

the amount of total dissolved solids (tds) is an important factor in determining the water quality of rivers. the purposes of this paper was to investigate the efficiency of four intelligent models including, svmiwo, svmpso, svmabc, lssvm and bayesian neural network, in predicting water quality of babolrood and sefidrood rivers, north  of iran. to achieve this aim, unpublished measured monthly data including; ca, mg, hco3, na, so4, ec, ph, and tds from qurantalar station of babolrood river and prorijabad station of sefidrood river were analyzed in the periods of 19662015 and 20022015, respectively. evaluation of the four abovementioned models, based on the correlation coefficient (r2), root mean square error (rmse) and the nashsutcliff coefficient (nse) showed that the svmabc model in both babolrood and sefidrood rivers with the highest r2s equal to 0.985 and 0.989 and the least amounts of rmse equal to 10.493mg/l and 5.289 mg/l and the highest nashsutcliffe equal to 0.983 and 0.992, respectively, has better and faster performance compared to others models in assessing water quality.