بررسی میزان اکسیژن محلول در آب رودخانه کارون با مدلهای هیبریدی مبتنی بر رگرسیون بردار پشتیبان

اکسیژن برای حفظ تعادل چرخه زندگی در هر جنبه بسیار مهم است. زندگی آبزیان به شدت تحت تاثیر سطوح اکسیژن محلول (do) است. این امر نه تنها مستلزم نظارت مداوم do در سیستم‌های آبی است، بلکه نیاز به ایجاد یک مدل پیش‌بینی دقیق برای سطوح آتی do دارد. هدف این مطالعه ارائه یک مدل پیش‌بینی دقیق برای غلظت do است. بدین منظور در این پژوهش یک مدل هوشمند ترکیبی جدید مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای پیش‌بینی اکسیژن محلول در آب رودخانه توسعه داده شد. بدین منظور در این پژوهش از سه الگوریتم بهینه‌سازی شامل کرم شب‌تاب، گرگ خاکستری و خفاش برای مدل‌سازی اکسیژن محلول در آب رودخانه بکار برده شد. جهت مدل‌سازی از آمار و اطلاعات ایستگاه هیدرومتری ملاثانی واقع در رودخانه کارون استان خوزستان بعنوان مطالعه موردی طی 5 سناریو ترکیبی از پارامترهای ورودی در سال‌های 1392-1402 استفاده شد. به منظور ارزیابی عملکرد مدل‌ها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. نتایج نشان داد سناریو‌های ترکیبی در مدل‌های مورد بررسی باعث بهبود عملکرد مدل می‌شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان‌‌کرم شب‌تاب دارای ضریب همبستگی 0.970 ، ریشه میانگین مرعات خطا (mg/l) 0.668 ، میانگین قدر مطلق خطا (mg/l)  0.520 و ضریب نش ساتکلیف 0.975  در مرحله صحت سنجی برخوردار است. در مجموع نتایج نشان داد استفاده از مدل‌های هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می‌تواند رویکردی موثر در پایداری مهندسی رودخانه باشد.

investigation of dissolved oxygen levels in the karun river water using hybrid models based on support vector regression

oxygen plays a vital role in maintaining the balance of life cycles in all ecosystems. aquatic life is highly sensitive to dissolved oxygen (do) levels. this necessitates not only continuous monitoring of do in aquatic environments but also the development of accurate predictive models for future do concentrations. the aim of this study is to develop a precise prediction model for do concentration in river water. to this end, a novel hybrid intelligent model based on the support vector regression (svr) approach was developed to predict dissolved oxygen levels. three optimization algorithms—firefly, gray wolf, and bat—were employed to enhance the modeling of do in river water. the study utilized hydrometric data from the molasani station on the karun river in khuzestan province as a case study, covering five combined input parameter scenarios over the period 2012–2022. model performance was evaluated using correlation coefficient (r), root mean square error (rmse), mean absolute error (mae), and nash–sutcliffe efficiency coefficient (nse). results demonstrated that combined input scenarios improved model performance across all models. among them, the svr-firefly hybrid model achieved the best validation results with a correlation coefficient of 0.970, rmse of 0.668 mg/l, mae of 0.520 mg/l, and nse of 0.975. overall, the findings indicate that intelligent models based on the support vector regression approach provide an effective tool for sustainable river engineering management.