رویکرد تلفیقی در پایش کیفیت آب رودخانه سیاهرود با بهره‌گیری از روش‌های نوین تحلیل داده

شاخص کیفیت آب (wqi) ابزاری موثر برای ارزیابی منابع آبی است که با ترکیب پارامترهای مختلف در یک عدد ساده، امکان مقایسه و تصمیم‌گیری را فراهم می‌کند. با این حال، استفاده از وزن‌دهی‌های استاندارد بدون توجه به شرایط محلی ممکن است منجر به نتایج نادرست شود. این پژوهش با هدف بهینه‌سازی محاسبه wqi، از رویکردی تلفیقی شامل تحلیل مولفه‌های اصلی (pca)، تصمیم‌گیری چندمعیاره (merec) و مدل‌های هوش مصنوعی بهره برده است. داده‌های 20 ساله (2021–2001) مربوط به رودخانه سیاهرود در استان مازندران با 11 پارامتر کیفی بررسی شد. کاهش ابعاد داده‌ها با pca انجام گرفت و شاخص wqi با روش merec محاسبه شد. همچنین، پیش‌بینی wqi با دو الگوریتم رگرسیون خطی و جنگل تصادفی، در دو حالت داده‌های واقعی و کاهش‌یافته، انجام شد و با شاخص‌هایی نظیر evs، mape و r² ارزیابی گردید. یافته‌ها نشان دادند کدورت به‌عنوان مولفه کلیدی در آلودگی فیزیکی با tss، bod و cod همبستگی بالایی دارد. مولفه‌های دیگر نمایانگر آلودگی‌های میکروبی، شیمیایی و حرارتی ناشی از فاضلاب و کشاورزی‌اند. میانگین wqi نشان‌دهنده کیفیت نامطلوب آب در بیشتر ایستگاه‌ها بود. مدل رگرسیون خطی عملکرد بهتری نسبت به جنگل تصادفی داشت، هرچند کاهش ابعاد کمی از دقت کاست. روش merec نشان داد کلیفرم کل و کدورت بیشترین وزن را دارند، که اهمیت آلودگی میکروبی و ذرات معلق را برجسته می‌سازد. نتایج بر ضرورت پایش مستمر و مدیریت منابع آلودگی تاکید دارند.

an integrated approach to monitoring water quality in the siahroud river using modern data analysis methods

the water quality index (wqi) is an effective tool for assessing water resources, enabling comparison and decision making by combining multiple parameters into a single simple numerical value. however, the use of standard weighting schemes without considering local conditions may lead to inaccurate results. this study aims to optimize wqi calculation by adopting an integrated approach involving principal component analysis (pca), multi criteria decision making (merec), and artificial intelligence models. twenty years of data (2001–2021) from the siahrood river in mazandaran province, encompassing 11 water quality parameters, were analyzed. dimensionality reduction was performed using pca, and wqi was calculated through the merec method. additionally, wqi prediction was conducted using two algorithms (linear regression and random forest) under both full and reduced datasets, and evaluated through indicators such as evs, mape, and r². the findings revealed that turbidity, as the key factor in physical pollution, exhibited strong correlations with tss, bod, and cod. other principal components indicated microbial, chemical, and thermal pollution stemming from sources such as wastewater discharge and agricultural activities. the mean wqi values indicated poor water quality in most sampling stations. the linear regression model showed superior performance compared to the random forest model, although dimensionality reduction slightly reduced predictive accuracy. according to the merec method, total coliform (weight: 0.19) and turbidity (weight: 0.15) were identified as the most influential parameters, highlighting the significance of microbial contamination and suspended solids. the results underscore the necessity for continuous monitoring and effective management of pollution sources to improve regional water quality.