پیش بینی شاخص کیفیت آب آنتروپی وزن دار برای مصارف کشاورزی با استفاده از روش های ساده و ترکیبی هوش مصنوعی

در دهه‌‌های اخیر، ارزیابی کیفیت منابع آبی برای برنامه‌ریزی استفاده درست و به دنبال آن پیش بینی کیفت آن‌ها برای تضمین تداوم برنامه‌ریزی از اهمیت بالایی برخوردار است. علیرغم توجه بی‌سابقه‌ به شاخص‌های کیفیت آب در سراسر جهان، بهینه‌سازی در جهت کاهش تعداد و انواع پارامترها در شاخص‌های کیفیت آب کشاورزی و در نتیجه کاهش هزینه‌های اندازه‌گیری تا حدی مغفول مانده است. بنابراین در این مطالعه ابتدا روش آنتروپی شانون برای تعیین وزن پارامتر‌های تشکیل‌دهنده شاخص به کار برده شد و سپس توانایی الگوریتم‌های ساده و ترکیبی هوش مصنوعی برای پیش‌بینی شاخص کیفیت آب آنتروپی وزن‌دار که برای ارزیابی تناسب آب با اهداف کشاورزی مورد استفاده قرار می‌گیرد، بررسی گردید. نتایج نشان داد که زیر شاخص بی‌کربنات و نسیت جذب سدیم به ترتیب بیشترین وزن (0.24) و کمترین وزن (0.18) را به خود اختصاص دادند. الگوریتم ترکیبی درخت تصمیم و شبکه عصبی نسبت به الگوریتم ساده درخت تصمیم و شبکه عصبی با r2 بالاتر (0.999نسبت به 0.996و 0.998) و rmse پایین‌تر (0.331 نسبت به به 1.081و 0.331) دقت بالاتری در پیش‌بینی شاخص کیفیت آب آنتروپی وزن‌دار نشان داد. تجزیه و تحلیل اهمیت پارامتر‌ها در به کارگیری به عنوان ورودی الگوریتم‌های مورد مطالعه با استفاده از ماتریس همبستگی پیرسون نشان داد که با حذف بی‌کربنات و کاهش تعداد ورودی‌ها به 4 ورودی نیز الگوریتم ترکیبی درخت تصمیم و شبکه عصبی توانایی بالایی در پیش‌بینی شاخص دارند.

prediction of weighted entropy water quality index for agricultural uses using simple and hybrid artificial intelligence methods

the focus of this study was to evaluate the quality of water resources, specifically for agricultural purposes. the researchers aimed to optimize the evaluation process by reducing the number and types of parameters used in water quality indicators, thereby reducing measurement costs. to achieve this, shannon's entropy method was employed to determine the weight of each parameter in the water quality index. the study utilized artificial intelligence algorithms, individually and in combination, to predict the weighted entropy water quality index. the goal was to assess the suitability of water for agricultural purposes. the results indicated that the sub-index of bicarbonate had the highest weight (0.24) among the parameters, while sodium absorption had the lowest weight (0.18). the combined decision tree and neural network algorithm compared to the simple decision tree and neural network algorithm with higher r2 (0.999 compared to 0.996 and 0.998) and lower rmse (0.331 compared to 0.331 and 1.081). it showed a higher accuracy in predicting the weighted entropy water quality index. furthermore, by analyzing the importance of parameters using the pearson correlation matrix, it was discovered that removing bicarbonate and reducing the number of inputs to 4 allowed the combined decision tree and neural network algorithm to maintain high accuracy in predicting the index. overall, this study demonstrated the effectiveness of shannon's entropy method and artificial intelligence algorithms in evaluating the quality of water resources for agricultural purposes. the optimized approach can assist in planning and ensuring the proper use of water resources, contributing to the continuity of farming activities.