پیش بینی تغییرات غلظت نیترات آب زیر زمینی با رویکرد adaboost

زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل‌های پیشرفته برای مدیریت کیفیت آب، تصمیم‌گیرندگان را تشویق کرده است که فناوری‌های هوش مصنوعی را در برنامه‌ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مدل‌های adaboost (تقویت تطبیقی) بعنوان یکی از مدل های نوظهور در حیطه مدیریت کیفیت آب به پیش بینی غلظت نیترات در آب زیرزمینی با استفاده از هدایت الکتریکی، ph بپردازد.مواد و روشها: در این مطالعه ابتدا تحلیل همبستگی پیرسون انجام شد سپس با تعیین متغیر های ورودی مدل چندین مدل adaboost با هاپپر پارامترهای مختلف ساخته شد. سپس تحلیل حساسیت و وابستگی متغیر های ورودی مدل در پیش بینی نیترات ارزیابی شدند.یافته ها: نتایج مدل adaboostنشان داد که مقادیر ضریب r2 برای داده آموزش 0/915 و برای داده های تست 0/924 بودند. مقادیر mse، rmse، mae، mape برای داده های آموزش به ترتیب 1/02، 1/01، 0/823 و 7/3درصد بدست آمد. این معیار ها برای داده های تست به ترتیب0/228، 0/477، 0/375 و3/2 درصد بودند. تحلیل‌ حساسیت مدل، متغیر ph به عنوان مهمترین متغیر تاثیر گذار در پیش بینی نیترات معرفی کرد.نتیجه گیرى: تحلیل مدل نشان داد که روش پیشنهادی در پیش بینی غلظت نیترات عملکرد بالایی دارد. این روش پتانسیل ویژه برای پیاده‌سازی به عنوان یک سامانه هوشمند برای پیش‌بینی پارامترهای کیفیت آب را دارد.

prediction of groundwater nitrate variations using adaboost approach

background and purpose: nitrates have long been considered indicative of drinking water quality and a critical concern for human health. the evolution of advanced models for water quality management has spurred decision-makers to incorporate artificial intelligence technologies into water quality planning. this study aims to employ the adaboost model, one of the cutting-edge models in water quality management, to predict nitrate concentrations in groundwater using ph and ec (electrical conductivity) as input variables.materials and methods: initially, the study analyzed the pearson correlation matrix and subsequently determined the input variables for multiple adaboost models with varying hyperparameters. a sensitivity and dependence analysis of the model’s input variables was conducted to assess their impact on nitrate prediction.results: the results obtained from the adaboost model reveal r-squared (r2) values of 0.915 for the training dataset and 0.924 for the test dataset. additionally, the mean squared error (mse), root mean squared error (rmse), mean absolute error (mae), and mean absolute percentage error (mape) scores for the training dataset were recorded as 1.02, 1.01, 0.823, and 7.3%, respectively. for the test dataset, these metrics were observed in the order of 0.228, 0.477, 0.375, and 3.2%. the model’s sensitivity analysis identified the ph variable as the most influential factor in nitrate prediction.conclusion: the model analysis demonstrates that the proposed method performs well in predicting nitrate concentrations. this approach holds significant potential for implementation as an intelligent system for forecasting water quality parameters.