بررسی کارایی مدل ماشین بردار پشتیبان در پیش‌بینی تغییرات پارامترهای کیفی آب (مطالعه موردی: تالاب بین المللی چغاخور)

آب‌های داخلی از قبیل تالاب‌ها در زمره اکوسیستم‌های حساس محسوب می‌شوند که بهره‌وری پایدار از آن‌ها تنها با اتخاذ رویکرد زیست‌محیطی مناسب ممکن خواهد بود. برآورد پارامترهای کیفی آب با استفاده از مدل‌ها موجب کاهش هزینه‌ها و دسترسی سریع‌تر برای مدیریت منابع آب خواهد شد. در این مطالعه از مدل ماشین بردار پشتیبان در دوره زمانی 32 ساله از 1364 تا 1396 برای شبیه‌سازی پارامتر کیفی کلروفیل a و شفافیت آب (عمق سشی دیسک) در تالاب بین المللی چغاخور استفاده شد. از 70 درصد داده‌ها به منظور آموزش و از بقیه داده‌ها برای آزمون و تست مدل استفاده شد. ضریب تعیین (r2) و خطای (rmse) در روش‌ ماشین بردار پشتیبان برای ترکیب بهینه کلروفیل a و سشی دیسک به ترتیب برابر 0.93، 0.91و 0.097میلی‌گرم بر مترمکعب، 0.049 متر است. همچنین مدل ماشین بردار پشتیبان با حداقل ورودی نیز قدرت پیش‌بینی لازم را داشت. نتایج این مطالعه نشان داد که ماشین بردار پشتیبان قابلیت بالایی در پیش‌بینی کلروفیل a و شفافیت آب دارد و می‌توان از آن در تعیین استراتژی‌های مناسب در مدیریت تالاب چغاخور بهره برد.

Investigation of the efficiency of support vector machine in predicting changes in water quality parameters (Case study: Choghakhor International Wetland)

Inland waters, such as wetlands, are considered to be sensitive ecosystems, and sustainable productivity can only be achieved by adopting an appropriate environmental approach. Estimating water quality parameters using models will reduce costs and provide faster access to water resources management. In this study, a 32year support vector machine (SVM) model was used from 1985 to 2017 to simulate the chlorophyll a and water clarity (Secchidisk depth) in Choghakhor international wetland. 70% of the data was used to train and the rest of the data was used for testing of the model. The determination coefficient (R2) and root mean square error (RMSE) in the SVM model were 0.93, 0.91, and 0.097 mg / m3, 0.049 m respectively for the optimal composition of chlorophyll a and Secchidisk depth. Also, SVM model with the lowest input power also had the power to predict. The results of this study showed that the support vector machine has a high potential for predicting chlorophyll a and water clarity, and it can be used to determine the appropriate strategies for the management of the Choghakhor wetland.