پیش‌بینی پارامترهای کیفی آب‌های زیرزمینی استان گلستان با مدل‌های هوش‌مصنوعی

کیفیت آب از جمله مسائلی است که با سلامت، بهداشت فردی و عمومی جامعه نسبت مستقیم دارد. در این تحقیق با استفاده از آمار کیفی 96 حلقه چاه مشاهداتی واقع در استان گلستان که دارای سال آماری مشترک 19 ساله بوده به پیش‌بینی پارامترهای کیفی آب شامل نسبت جذب سدیم (sar)، نسبت کل جامدات محلول (tds) و هدایت الکتریکی (ec) با استفاده از سه روش شبکه عصبی مصنوعی، برنامه‌ریزی بیان ژن و سیستم استنتاج عصبی _فازی و 9 ترکیب ورودی مختلف پرداخته شد. داده های مورد استفاده  شامل داده‌های کیفی سدیم، قلیایت آب (ph)، کلراید، سولفات، کلسیم و منیزیم بوده که واسنجی داده‌ها به ‌وسیله70  درصد داده‌ها و عملکرد روش ها با استفاده از داده‌های باقی‌مانده ارزیابی گردید. برای ارزیابی دقت مدل ها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده ‌شد. . نتایج به‌ دست‌آمده نشان می‌دهد که به‌ غیراز مدل ترکیب ورودی 8، بقیه مدل‌ها از توانایی بالایی برخوردار هستند. همچنین نتایج نشان دادند که پارامترهای ( na) و ( so4) بیشترین تاثیر در دقت نتایج پیش‌بینی برای هر سه مدل و هر سه پارامتر مورد بررسی را دارند و در ترکیب ورودی 8 هر سه مدل ضعیف عمل کرد. همچنین در اکثر ورودی‌ها، شبکه عصبی نسبت به دو مدل دیگر از توانایی بالاتری برخوردار می‌باشد. با وجود اینکه دقت و توانایی هر سه مدل تقریباً قابل ‌مقایسه بوده می‌توان از هر سه مدل در پیش‌بینی پارامترهای کیفی بهره برد.

prediction of golestan province’s groundwater quality parameters using artificial intelligence moldels

water quality is directly related to individual and public health. in this study, using water quality data from 96 observation wells in golestan province, iran, with a common 19-year statistical year, the prediction of water quality parameters including sodium adsorption ratio (sar), total dissolved solids (tds) and electrical conductivity (ec) was investigated using three methods of artificial neural network (ann), gene expression programming (gep), and neuro-fuzzy inference system (nfis) with 9 different input combinations. the data used included water quality data for sodium (na+), water alkalinity (ph), chloride (cl-), sulfate (so42-), calcium (ca2+), and magnesium (mg2+), and the data was validated using 70% of the data and the performance of the methods was evaluated using the remaining data. to evaluate the accuracy of the models, three criteria were used: root mean square error (rmse), correlation coefficient (r2), and mean absolute error (mae). the results showed that with the exception of input combination 8, all other models had high performance. the results also showed that the parameters na+ and so42- had the most significant impact on the accuracy of the prediction results for all three models and all three parameters under investigation, and all three models performed poorly in input combination 8. in most inputs, the neural network was superior to the other two models. although the accuracy and performance of all three models were comparable, all three models could be used to predict water quality parameters.