قیاس روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیش‌بینی پارامترهای کیفیت آب رودخانه دیناچال

پیش‌بینی پارامترهای کیفیت آب نقش بسیار مهمی در پایش اکوسیستم رودخانه‌ها و پایداری آن ایفا می‌کند. ازطرفی، مدل‌های پیش‌بینی سنتی به‌خوبی ذات غیرخطی و غیرایستای متغیرهای کیفیت آب را نشان نمی‌دهند. در سال‌های اخیر، توسعه‌ سریع شبکه‌های عصبی‌مصنوعی بحث‌های مرتبط با پیش‌بینی کیفیت‌آب را متحول نموده است. در این مطالعه، پارامترهای کیفی رودخانه دیناچال به‌عنوان یکی از رودخانه‌های حیاتی در استان گیلان مورد ارزیابی و پیش‌بینی قرارگرفته است. دو مدل مبتنی بر شبکه‌عصبی‌مصنوعی و ماشین‌بردار‌پشتیبان ‌رگرسیونی، نُه پارامتر کیفی کل‌موادجامدمحلول، هدایت‌الکتریکی، اسیدیته، cl، so4، hco3، ca، mg و na با گام‌های زمانی یک ماه طی سال‌های 1385 تا 1397 پیش‌بینی شد و کارایی مدل‌ها توسط آماره‌های ارزیابی rmse، mse و mape بررسی و مقایسه شد. طبق نتایج به‌دست‌آمده، مدل svr به‌ترتیب با (2.03=rmse) و (0.062=rmse) کارایی بهتری در پیش‌بینی کل‌مواد‌جامد‌محلول و غلظت منیزیم نسبت به مدل شبکه‌عصبی‌مصنوعی نشان‌داد. از‌طرف‌دیگر، مدل شبکه‌عصبی‌مصنوعی در پیش‌بینی پارامترهای دیگر نسبتاً موفق‌تر بود. بااین‌حال، کارایی هر دو مدل در پیش‌بینی پارامترهای کیفی رودخانه دیناچال مناسب ارزیابی شد. همچنین مدل svr با ضریب mape برابر با 0.007 و مدل شبکه‌عصبی‌مصنوعی با ضریب mape برابر با 0.001 در پیش‌بینی پارامترهای کل‌موادجامدمحلول و هدایت‌الکتریکی بهترین کارایی را داشتند. در مقابل، هر دو مدل svr و ann در پیش‌بینی پارامتر کلر ضعیف‌ترین کارایی را باوجود rmse 0.055 و 0.052 از خود نشان دادند. روش‌های به‌کارگرفته‌شده در این مطالعه می‌تواند در پیش‌بینی کیفیت آب دیناچال موثر واقع شود.

comparison of artificial neural network methods and support vector machine in predicting water quality parameters of dinachal river, iran

predicting water quality parameters plays a crucial role for monitoring of ecosystems of rivers and their sustainability. alongside this, conventional prediction models are not able to capture the non-linearity and non-stationary inherence of water quality datasets. in recent years, the rapid development of machine learning methods has transformed the water quality prediction fields. in this study, water quality parameters for the dinachal river in guilan province have been assessed and predicted. two models based on artificial neural networks (ann) and support vector regression (svr) were utilized to predict nine water quality parameters as tds, ec, ph, cl, so4, hco3, ca, mg, and na with monthly timesteps between 2006 and 2018. then, the model’s performance was evaluated using rmse, mse, and mape indices. according to the results, the svr model was superior in predicting tds and mg parameters with an rmse index of 2.03 and 0.062, respectively. simultaneously, ann had a slightly better accuracy in the prediction of remaining parameters. however, prediction results for both models in the case study were satisfactory. in addition, the svr model predicted tds with a mape of 0.007, which was the best compared to other parameters. at the same time, the ann model had better performance in predicting ec with a mape of 0.001. prediction results for cl had also the lowest accuracy among water quality parameters with an rmse of 0.055 and 0.052 for svr and ann, respectively. methods utilized in this study can be effective in predicting water quality parameters of dinachal river.