ترکیب روش ‌های کاهش ابعاد و الگوریتم‌ های یادگیری ماشین در بهینه ‌سازی پیش ‌بینی کیفیت آب رودخانه مارون

منابع آب برای زندگی انسان، رشد اقتصادی و حفظ محیط ‌زیست حیاتی می باشند، اما با چالش هایی مانند تغییرات آب و هوایی و فعالیتهای انسانی، به‌ویژه در مناطق خشک مواجه هستند. برای رفع این مشکل، مدیریت پایدار آب بسیار مهم است. هوش مصنوعی، به‌ویژه یادگیری ماشین، به طور فزایندهای برای پیشبینی و مدیریت کیفیت آب استفاده میشود. این روش‌های هوش مصنوعی در تشخیص الگوها در داده‌های آب عالی هستند و به بهبود مدیریت کیفیت آب کمک می‌کنند. بنابراین در این مطالعه به بررسی کیفیت آب رودخانه مارون با استفاده از ترکیب روش تحلیل عاملی و یادگیری ماشین پرداخته شد. داده‌های 10 ساله پارامترهای مختلف کیفیت آب در سه ایستگاه جمع‌آوری گردید و شاخص کیفیت آب ایران برای هر سری داده محاسبه شد. سپس الگوریتم‌های مختلف یادگیری ماشین برای پیش‌بینی شاخص کیفیت آب به کار گرفته شده‌اند. در مرحله بعد تحلیل عاملی برای استخراج ویژگی‌های مهم ورودی به الگوریتم بهینه استفاده گردید. قابل‌ذکر است در هر مرحله عملکرد الگوریتمهای موردمطالعه با استفاده از معیارهای ارزیابی تعیین شد. نتایج نشان داد که در مرحله اول الگوریتم جنگل تصادفی (r^2 (0.78)، rmse (2.65)) بهترین عملکرد را در پیش‌بینی شاخص کیفیت آب داشت. همچنین مشخص شد که نیترات مهمترین پارامتر ورودی و اسیدیته کم‌اهمیت‌ترین پارامتر برای سه الگوریتم موردمطالعه است. قابل‌ذکر است در حالتی که تعداد ورودیها به 3 پارامتر با اهمیت کاهش یافت، عملکرد الگوریتم جنگل (r^2 (0.74)، rmse (2.86)) تصادفی تقریبا مشابه با 8 پارامتر ورودی بود. ترکیب بینش‌های حاصل از تحلیل عاملی و تحلیل اهمیت ویژگی‌ها می‌تواند درک جامع‌تری از روابط پیچیده بین پارامترهای کیفیت آب ارائه دهد و به ایجاد استراتژی‌های موثرتر برای مدیریت آب و کنترل آلودگی کمک کند.

the combination of dimensionality reduction methods and machine learning algorithms in the optimization of maroon river water quality prediction

water resources face challenges such as climate change and human activities. sustainable water management is extremely important to solve this problem. more and more people are using artificial intelligence, especially machine learning, to predict and manage water quality. these ai methods are excellent at identifying patterns in water data and improving water quality management. this study examines the water quality of the maroon river using a combination of factor analysis and machine learning. data on various water quality parameters were collected from three stations over a period of ten years and the water quality index was calculated. then, different machine learning algorithms were used to predict the water quality index. in a further step, factor analysis was performed to extract the important features of the input for the optimal algorithm. the performance of the studied algorithms was determined at each step using evaluation criteria. the results showed that in the first step, the random forest algorithm (r2 (0.78), rmse (2.65)) had the best performance in predicting water quality index. it was also found that among the three algorithms studied, nitrate is the most important input parameter, while acidity is the least important. by reducing the number of inputs to 3 important parameters, the performance of the random forest algorithm (r2 (0.74), rmse (2.86)) almost reached the level of 8 input parameters. combining insights from factor analysis and feature importance analysis can provide a more comprehensive understanding of the complex relationships among water quality parameters and help develop more effective water management.