ارزیابی تکنیک های فرامدل در تخمین پارامترهای کیفی یک رودخانه طبیعی

پیش بینی میزان مواد جامد محلول در رودخانه ها، از موضوعات مهم و اساسی در مدیریت منابع آب می باشد. لذا در این پژوهش، عملکرد مدل های هوشمند ماشین بردار پشتیبان و برنامه ریزی بیان ژن جهت تخمین میزان مواد جامد محلول در آب رودخانه سجاسرود مورد بررسی قرار گرفت. بدین منظور، از داده های کیفی رودخانه واقع در استان زنجان، شامل هیدروژن کربنات، کلرید، سولفات، منیزیم، کلسیم، سدیم، هدایت الکتریکی، دبی جریان، کربنات، مجموع آنیون ها، مجموع کاتیون، نسبت جذبی سدیم، اسیدیته، میزان مواد جامد محلول و سختی، در طی دوره آماری 1349- 1393 در مقیاس زمانی ماهانه استفاده شد. نتایج بدست آمده نشان داد که در هر دو مدل مذکور، ساختارهای ترکیبی از دقت قابل قبولی برخوردار هستند. همچنین براساس معیارهای ارزیابی مشخص شد که مدل ماشین بردار پشتیبان با داشتن کمترین ریشه میانگین مربعات خطا (0412/0) و بیشترین همبستگی خطی بین مشاهداتی و محاسباتی (848/0)، از عملکرد مطلوب تری نسبت به مدل برنامه ریزی بیان دارا می باشد.

assessment of metamodelc techniques in predict of quality parameters in one natural river

one of the important issues concerning the rivers quality is prediction of total dissolved solids (tds) in water. in this study, the performance of support vector machine (svm) intelligent models with different kernel functions, gene expression programming (gep) were investigated in estimating the tds in sojas river water. for this purpose, the quality data of river in zanjan province were utilized to predict the tds in water during the statistical period of 1970-2014 which included the hydrogen carbonate, chloride, sulfate, magnesium, calcium, sodium, electrical conductivity, flow rate and ph. the obtained results showed that in all three models, the combinational structures have acceptable accuracy. also, according to the assessment criteria, it was found that the svm with radial basis function (rbf) kernel has the highest accuracy, minimum root square error of 0.0412 mg/lit, and dc value of 0.848 with respect to other model.