مقایسه عملکرد شبکه عصبی مصنوعی، شبکه عصبی موجک و ماشین بردار پشتیبان در شبیه‌سازی کیفیت آب سطحی (مطالعه موردی: رودخانه میناب - استان هرمزگان)

رودخانه‌ها به‌عنوان منابع اصلی تامین آب شرب، کشاورزی و صنعت، به‌ویژه در مناطق خشک و نیمه‌خشکی مثل ایران، از اهمیت حیاتی برخوردارند. پایش و پیش‌بینی تغییرات کیفی آن‌ها نقشی اساسی در مدیریت پایدار این منابع ایفا می‌کند. در این مطالعه، سه رویکرد مدل‌سازی شامل شبکه عصبی مصنوعی(ann)، شبکه عصبی ترکیب‌شده با پیش‌پردازش موجک (wt-ann) و ماشین بردار پشتیبان (svm) برای شبیه‌سازی دو پارامتر کلیدی کیفیت آب سطحی، یعنی هدایت الکتریکی(ec) و غلظت کلراید (cl⁻) در رودخانه میناب به کار گرفته شد. از داده‌های تاریخی 44 ساله (1392–1348) برای توسعه مدل‌ها استفاده گردید و داده‌ها به‌صورت 75 درصد برای آموزش و 25 درصد برای آزمون تقسیم شدند. ورودی‌های مدل شامل ترکیب‌های مختلفی از پارامترهای کیفی آب (نظیر کلسیم، سولفات، منیزیم، سدیم و مجموع جامدات محلول) به همراه تاخیرهای زمانی یک و دو ماهه بود. در مدل‌های ann و wt-ann از الگوریتم پس‌انتشار خطا و توابع انتقال تانسیگ و خطی خالص، و در مدل svm از کرنل گوسی استفاده شد. ارزیابی نتایج بر اساس معیارهای میانگین مربعات خطا و ضریب همبستگی نشان داد که مدل ann به‌طور دقیق‌تری هر دو پارامتر را شبیه‌سازی می‌کند (با ضرایب همبستگی 0.8852 برای ec و 0.9923 برای cl⁻ ). این یافته‌ها کارایی بالای مدل‌های هوش مصنوعی، به‌ویژه شبکه عصبی مصنوعی را در پیش‌بینی کیفیت آب رودخانه‌ها و کمک به کاهش هزینه‌های پایش تایید می‌نماید.

comparison of artificial neural network، wavelet-preprocessed neural network، and svm performance in simulating surface water quality (case study: minab river، hormozgan province)

rivers، as primary sources of drinking water، agriculture، and industry، are of vital importance، especially in arid and semi-arid regions like iran. monitoring and predicting changes in their quality play a fundamental role in the sustainable management of these resources. in this study، three modeling approaches artificial neural network (ann)، wavelet transform combined with artificial neural network (wt-ann)، and support vector machine (svm) were employed to simulate two key parameters of surface water quality، namely electrical conductivity (ec) and chloride concentration (cl⁻)، in the minab river. historical data spanning 44 years (1969–2013) were used for model development، with a split of 75% for training and 25% for testing. the model inputs included various combinations of water quality parameters (such as calcium، sulfate، magnesium، sodium، and total dissolved solids) along with one- and two-month time lags. in the ann and wt-ann models، the backpropagation algorithm with sigmoid and pure linear transfer functions was utilized، while a gaussian kernel was employed in the svm model. evaluation of the results based on mean squared error and correlation coefficient criteria showed that the ann model simulated both parameters more accurately (with correlation coefficients of 0.8852 for ec and 0.9923 for cl⁻). these findings confirm the high efficiency of artificial intelligence models، particularly artificial neural networks، in predicting river water quality and helping to reduce monitoring costs.