ارزیابی مدل‌های هیبریدی فراکاوشی در شبیه‌سازی اکسیژن محلول در آب رودخانه

آب یکی از عناصر ضروری در طبیعت است که اساس زندگی انسان را تشکیل می‌دهد و به رشد و توسعۀ اقتصادی جوامع کمک می‌کند. آب سالم ارتباط تنگاتنگی با سلامت محیط زیست و فعالیت‌ها دارد. زندگی همۀ جانوران روی کرۀ زمین به آب و اکسیژن بستگی دارد. علاوه بر این، اکسیژن محلول کافی (do) برای بقای جانوران آبزی بسیار مهم است. از این‌رو، در این پژوهش برای شبیه‏سازی اکسیژن محلول در آب رودخانۀ کامبرلند واقع در ایالات متحده از مدل ترکیبی شبکۀ عصبی مصنوعی (ann) با موجک و الگوریتم‏های فراابتکاری گرگ خاکستری (gwo) و خفاش (ba) در مقیاس زمانی ماهانه طی دورۀ آماری 2010-2020 استفاده شد. معیارهای ضریب همبستگی (r^2)، مجذور میانگین مربعات خطا (rmse)، میانگین مطلق خطا (mae) و ضریب بهره‏وری نش‌ ساتکلیف (nse) برای ارزیابی و مقایسۀ عملکرد مدل‌ها مورد استفاده قرار گرفت. نتایج نشان داد هر سه مدل هیبریدی، در الگوهای ترکیبی نتایج بهتری نسبت به سایر الگوهای تعیین‏شده دارند. همچنین، با توجه به معیارهای ارزیابی مشخص شد که از بین مدل‌های به‏کاررفته در شبیه‌سازی اکسیژن محلول در آب رودخانه، مدل شبکۀ عصبی مصنوعی‌ موجک با ضریب تعیین (0/958=r^2)، ریشۀ میانگین مربعات خطا ( 0/651=rmse)، میانگین قدرمطلق خطا (0/334=mae) و ضریب نش‌ ساتکلیف (0/962=ns) در مرحلۀ صحت‌سنجی عملکرد بهتری نسبت به سایر مدل‌ها از خود نشان داده است.

evaluation of hybrid metaheuristic models in simulation of dissolved oxygen in river water

water is one of the most essential elements in nature that forms the basis of human life and contributes to the economic growth and development of societies. healthy water is closely related to environmental health and activities. the life of all animals on earth depends on water and oxygen. in addition, adequate dissolved oxygen (do) is essential for the survival of aquatic animals. therefore, in this study, to simulate the dissolved oxygen of the cumberland river in the united states from the combined artificial neural network (ann) model with wavelet and meta-heuristic algorithms of gray wolf (gwo) and bat (ba) on a monthly time scale during the statistical period. used 2020-2010. the criteria of correlation coefficient (r2), squared mean square error (rmse), absolute mean error (mae) and nash-sutcliffe productivity coefficient (nse) were used to evaluate and compare the performance of the models. the results showed that all three hybrid models have better results in hybrid models than the other designated models. also, according to the evaluation criteria, it was found that among the models used in the simulation of dissolved oxygen in river water, the model of artificial neural network-wavelet with coefficient of determination (r2 = 0.958), the root mean square error (rmse = 0.651), the mean absolute value of error (mae = 0.334) and nash sutcliffe coefficient (ns = 0.962) in the validation stage showed better performance than other models.