تخمین ضریب پراکندگی طولی آلاینده ها در رودخانه های طبیعی با استفاده از رویکرد هوشمند داده محور gmdh

تخمین دقیق ضریب پراکندگی طولی آلاینده ها در اغلب مسائل هیدرولیکی و زیست محیطی رودخانه مانند مهندسی رودخانه، طراحی آبگیر، مدل سازی جریان در دلتاها و ارزیابی ریسک ناشی از تزریق آلاینده ها به جریان رودخانه دارای اهمیت خاصی می باشد. بررسی تحقیقات اخیر نشان می دهد که استفاده از روش های داده محور باعث افزایش دقت و صحت تخمین ضریب پراکندگی طولی آلاینده ها در رودخانه های طبیعی شده است. در این تحقیق توانایی و عملکرد روش هوشمند داده محور برخورد گروهی با داده ها(gmdh) در تخمین ضریب پراکندگی طولی مورد بررسی قرار گرفته است. مجموعه ای از 71 داده مشاهداتی از رودخانه های مختلف گردآوری شده که 51 داده برای آموزش و 20 داده باقی مانده برای آزمون مدل استفاده شده است. متغیرهای هیدرولیکی و هندسی ورودی مدل شامل عمق متوسط جریان(h)، عرض آبراهه(w)، سرعت متوسط طولی جریان(u)، سینوسیتی آبراهه(σ) و سرعت برشی متوسط بستر(u*) و متغیر خروجی ضریب پراکندگی طولی(kx) می باشند. یک برنامه کامپیوتری در محیط برنامه نویسی نرم افزار matlab برای مدل سازی ضریب پراکندگی طولی بر اساس رویکرد هوشمند داده محور gmdh تهیه شده است. بررسی عملکرد مدل توسعه داده شده با استفاده از معیارهای آماری r2، rmse، cc و dr حاکی از عملکرد بسیار بالای مدل gmdh در تخمین ضریب پراکندگی طولی در رودخانه دارد. همچنین مقایسه نتایج روش gmdh با چند رابطه تجربی و چند روش داده محور دیگر مانند شبکه های عصبی(ann)، ماشین بردار پشتیبان(svm) و الگوریتم ژنتیک(ga) بیانگر شناسایی صحیح الگوی حاکم بر فرایند پراکندگی طولی آلاینده ها در رودخانه های طبیعی توسط مدل توسعه داده شده می باشد. مقادیر شاخص های آماری rmse، r2 و cc در مدل gmdh به ترتیب برابر با 5/21، 99/0 و 995/0 به دست آمده است که حاکی از عملکرد مناسب مدل ارایه شده در تخمین ضریب پراکندگی طولی آلاینده ها در رودخانه های طبیعی می باشد.