تخمين ضريب پراكندگي طولي آلاينده ها در رودخانه هاي طبيعي با استفاده از رويكرد هوشمند داده محور GMDH

تخمين دقيق ضريب پراكندگي طولي آلاينده ها در اغلب مسائل هيدروليكي و زيست محيطي رودخانه مانند مهندسي رودخانه، طراحي آبگير، مدل سازي جريان در دلتاها و ارزيابي ريسك ناشي از تزريق آلاينده ها به جريان رودخانه داراي اهميت خاصي مي باشد. بررسي تحقيقات اخير نشان مي دهد كه استفاده از روش هاي داده محور باعث افزايش دقت و صحت تخمين ضريب پراكندگي طولي آلاينده ها در رودخانه هاي طبيعي شده است. در اين تحقيق توانايي و عملكرد روش هوشمند داده محور برخورد گروهي با داده ها(GMDH) در تخمين ضريب پراكندگي طولي مورد بررسي قرار گرفته است. مجموعه اي از 71 داده مشاهداتي از رودخانه هاي مختلف گردآوري شده كه 51 داده براي آموزش و 20 داده باقي مانده براي آزمون مدل استفاده شده است. متغيرهاي هيدروليكي و هندسي ورودي مدل شامل عمق متوسط جريان(H)، عرض آبراهه(W)، سرعت متوسط طولي جريان(U)، سينوسيتي آبراهه(σ) و سرعت برشي متوسط بستر(U*) و متغير خروجي ضريب پراكندگي طولي(Kx) مي باشند. يك برنامه كامپيوتري در محيط برنامه نويسي نرم افزار MATLAB براي مدل سازي ضريب پراكندگي طولي بر اساس رويكرد هوشمند داده محور GMDH تهيه شده است. بررسي عملكرد مدل توسعه داده شده با استفاده از معيارهاي آماري R2، RMSE، CC و DR حاكي از عملكرد بسيار بالاي مدل GMDH در تخمين ضريب پراكندگي طولي در رودخانه دارد. همچنين مقايسه نتايج روش GMDH با چند رابطه تجربي و چند روش داده محور ديگر مانند شبكه هاي عصبي(ANN)، ماشين بردار پشتيبان(SVM) و الگوريتم ژنتيك(GA) بيانگر شناسايي صحيح الگوي حاكم بر فرايند پراكندگي طولي آلاينده ها در رودخانه هاي طبيعي توسط مدل توسعه داده شده مي باشد. مقادير شاخص هاي آماري RMSE، R2 و CC در مدل GMDH به ترتيب برابر با 5/21، 99/0 و 995/0 به دست آمده است كه حاكي از عملكرد مناسب مدل ارايه شده در تخمين ضريب پراكندگي طولي آلاينده ها در رودخانه هاي طبيعي مي باشد.