ارزیابی مدل‌ هیبریدی رگرسیون بردار پشتیبان در تحلیل کیفیت آب رودخانه (مطالعه موردی: رودخانه کشکان)

پیش‌بینی مواد جامد محلول در آب (tds) در مسائل آبی از جمله رودخانه‌ها، دریاچه‌ها و سلامت آبزیان چالش‌برانگیز است اما برای مدیریت موثر منابع آب در بخش‌های کشاورزی، صنعت و آب آشامیدنی ضروری است. در این مطالعه، مدل هوشمند ترکیبی مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای پیش‌بینی میزان مواد جامد محلول در آب رودخانه توسعه داده‌شده است. بدین‌منظور در این پژوهش سه الگوریتم بهینه‌سازی شامل موجک، کرم شب‌تاب و گرگ خاکستری برای مدل‌سازی مواد جامد محلول در آب رودخانه بکار برده شد. جهت مدل‌سازی از آمار و اطلاعات ایستگاه هیدرومتری رودخانه کشکان واقع در استان لرستان به‌عنوان مطالعه موردی طی 8 سناریو ترکیبی از پارامترهای ورودی در طی سال‌های 1382 تا 1402 استفاده شد. به‌منظور ارزیابی عملکرد مدل‌ها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش‌ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدل‌ها از نمودار سری زمانی و باکس‌پلات و تیلور استفاده شد. نتایج نشان داد سناریوهای ترکیبی در مدل‌های موردبررسی باعث بهبود عملکرد مدل می‌شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-موجک دارای ضریب همبستگی 0/980، ریشه میانگین مربعات خطا (mg/l) 0/881، میانگین قدر مطلق خطا (mg/l) 0/473 و ضریب نش‌ساتکلیف 0/990 در مرحله صحت‌سنجی است. در مجموع نتایج نشان داد استفاده از مدل‌های هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می‌تواند رویکردی موثر در پایداری کیفیت رودخانه جهت سلامت آبزیان باشد.

evaluation of hybrid support vector regression models in river water quality analysis (case study: kashkan river)

predicting total dissolved solids (tds) in water bodies such as rivers and lakes is challenging but essential for effective water resource management in agriculture, industry, and drinking water sectors. this study develops a hybrid intelligent model based on the support vector regression (svr) approach to predict the tds levels in river water. three optimization algorithms—wavelet, firefly, and grey wolf—were employed to model the tds in river water. the study utilized hydrometric station data from the kashkan river in lorestan province as a case study, using eight scenarios combining input parameters from 2003 to 2023. model performance was evaluated using correlation coefficient, root mean square error (rmse), mean absolute error (mae), and nash-sutcliffe efficiency coefficient. time series plots, box plots, and taylor diagrams were used to analyze the model results. the findings indicated that the combined scenarios improved model performance. the evaluation criteria showed that the wavelet-svr model achieved a correlation coefficient of 0.980, rmse of 0.881 mg/l, mae of 0.473 mg/l, and a nash-sutcliffe efficiency of 0.990 during the validation phase. overall, the results suggest that intelligent models based on the svr approach can be an effective strategy for maintaining river quality for aquatic health.