ارزیابی مدل‏‌های هوشمند در برآورد میزان مواد جامد محلول در آب رودخانه کشکان، استان لرستان

یکی از موضوعات مهم در بحث کیفی رودخانه‏‌ها پیش‌‏بینی میزان مواد جامد محلول در آب می‏‌باشد. در این پژوهش، عملکرد مدل‏‌های هوشمند ماشین بردار پشتیبان با توابع هسته مختلف، برنامه‌‏ریزی بیان ژن و شبکه بیزین برای پیش‌‏بینی میزان مواد جامد محلول در آب رودخانه کشکان مورد بررسی قرار گرفت. بدین‏ منظور، از داده‏‌های کیفی ایستگاه پلدختر واقع در استان لرستان، شامل هیدروژن کربنات، کلرید، سولفات، منیزیم، کلسیم، سدیم، هدایت الکتریکی، دبی جریان و ph برای پیش‌بینی میزان مواد جامد محلول در آب طی دوره آماری 1395-1370 در مقیاس زمانی ماهانه استفاده شد. برای صحت‌سنجی مدل‏‌ها از معیارهای ضریب تبیین، ضریب نش-ساتکلیف، ریشه میانگین مربعات خطا و اریب استفاده شد. نتایج به‌دست آمده نشان داد که در هر سه مدل مذکور، ساختارهای ترکیبی از دقت قابل قبولی برخوردار هستند. همچنین، بر اساس معیارهای ارزیابی مشخص شد که مدل ماشین بردار پشتیبان با هسته توابع پایه شعاعی  بیشترین دقت 0.982، کمترین میزان ریشه مربعات خطا (mglit^-1) 0.032، کمترین اریب 0.001 و بیشترین ضریب نش-ساتکلیف 0.963 را نسبت به سایر مدل‏‌ها داشته است.

Analysis and evaluation of effective parameters on the amount of Total Dissolved Solids in Rivers

One of the important issues in rivers qualitative discussion is the prediction of amount of Total Dissolved Solids (TDS) in water. In this study, the performance of the intelligent models Support Vector Machines (SVM) with different kernel functions, Gene Expression Programming (GEP) and Bayesian Network (BN) was investigated in the prediction of amount of total dissolved solids (TDS) in Kashkan River. For this purpose, quality parameters obtained monthly from Poldokhtar station in Lorestan Province from year 1991 to 2016, including hydrogen carbonate, chloride, sulfate, magnesium, calcium, sodium, electric conductivity, flow rate and PH these parameters were applied to predict the amount of total dissolved sediments of water in this reach. Correlation Coefficient (CC), NashSutcliff coefficient (NS), Root Mean Square Error (RMSE), and bias were used to evaluate the performance of the models. The results showed that in all three models, the combined structures have acceptable accuracy. Also, based on the evaluation criteria, Support Vector Machines with kernel of the radial base functions (RBF) had the highest accuracy 0.982 and the lowest root mean square error (mg / lit) 0.232, and the lowest bias 0.001 and the Nissan Sutcliff coefficient 0.963 compared to other models.