پديد آورندگان :
شاهي نژاد بابك دانشگاه لرستان - دانشكده كشاورزي , رضايي الهام دانشگاه لرستان - دانشكده كشاورزي , يونسي حجت اله دانشگاه لرستان - دانشكده كشاورزي
كليدواژه :
برنامه ريزي بيان ژن , پيش بيني توابع هسته مختلف , شبكه بيزين , ماشين بردار پشتيبان , رودخانه كشكان استان لرستان
چكيده فارسي :
يكي از موضوعات مهم در بحث كيفي رودخانه‌ها پيش‌بيني ميزان مواد جامد محلول در آب مي‌باشد. در اين پژوهش، عملكرد مدل‌هاي هوشمند ماشين بردار پشتيبان با توابع هسته مختلف، برنامه‌ريزي بيان ژن و شبكه بيزين براي پيش‌بيني ميزان مواد جامد محلول در آب رودخانه كشكان مورد بررسي قرار گرفت. بدين منظور، از داده‌هاي كيفي ايستگاه پلدختر واقع در استان لرستان، شامل هيدروژن كربنات، كلريد، سولفات، منيزيم، كلسيم، سديم، هدايت الكتريكي، دبي جريان و pH براي پيش‌بيني ميزان مواد جامد محلول در آب طي دوره آماري 1395-1370 در مقياس زماني ماهانه استفاده شد. براي صحت‌سنجي مدل‌ها از معيارهاي ضريب تبيين، ضريب نش-ساتكليف، ريشه ميانگين مربعات خطا و اريب استفاده شد. نتايج به‌دست آمده نشان داد كه در هر سه مدل مذكور، ساختارهاي تركيبي از دقت قابل قبولي برخوردار هستند. همچنين، بر اساس معيارهاي ارزيابي مشخص شد كه مدل ماشين بردار پشتيبان با هسته توابع پايه شعاعي بيشترين دقت 0.982، كمترين ميزان ريشه مربعات خطا (mglit-1) 0.032، كمترين اريب 0.001 و بيشترين ضريب نش-ساتكليف 0.963 را نسبت به ساير مدل‌ها داشته است.
چكيده لاتين :
One of the important issues in rivers qualitative discussion is the prediction of amount of Total Dissolved Solids (TDS) in water. In this study, the performance of the intelligent models Support Vector Machines (SVM) with different kernel functions, Gene Expression Programming (GEP) and Bayesian Network (BN) was investigated in the prediction of amount of total dissolved solids (TDS) in Kashkan River. For this purpose, quality parameters obtained monthly from Poldokhtar station in Lorestan Province from year 1991 to 2016, including hydrogen carbonate, chloride, sulfate, magnesium, calcium, sodium, electric conductivity, flow rate and PH these parameters were applied to predict the amount of total dissolved sediments of water in this reach. Correlation Coefficient (CC), Nash-Sutcliff coefficient (NS), Root Mean Square Error (RMSE), and bias were used to evaluate the performance of the models. The results showed that in all three models, the combined structures have acceptable accuracy. Also, based on the evaluation criteria, Support Vector Machines with kernel of the radial base functions (RBF) had the highest accuracy 0.982 and the lowest root mean square error (mg / lit) 0.232, and the lowest bias 0.001 and the Nissan Sutcliff coefficient 0.963 compared to other models.
