ارزيابي كارائي روش‌هاي كاهش پارامترها در بهبود دقت مدل‌سازي شاخص كيفي آب در رودخانه‌ قزل اوزن با استفاده از الگوريتم‌هاي يادگيري ماشين

آگاهي از كيفيت آب يكي از نيازهاي مهم در برنامه‌ريزي، توسعه و حفاظت از منابع آب به‌شمار مي‌رود. تعيين كيفيت آب براي مصارف مختلف از جمله آبياري و شرب در مناطق مختلف ضروري است. استفاده از روش‌هاي مدرن داده‌كاوي، مي‌توانند رويكرد مناسبي براي پيش‌بيني و طبقه‌بندي كيفيت آب ارائه دهند. در پژوهش حاضر كيفيت آب رودخانه‌ قزل ‌اوزن در ايستگاه‌ قره‌گونئي روستايي از توابع بخش حلب شهرستان ايجرود در استان زنجان مورد ارزيابي قرار گرفت. در اين راستا شاخص كيفي آب شرب (WQI) با استفاده از پارامترهاي شيميايي سختي كل، قليائيت (pH)، هدايت الكتريكي، كل مواد جامد محلول، كلسيم، سديم، منيزيم، پتاسيم، كلر، كربنات، بي‌كربنات و سولفات در دوره‌ آماري ۲۱ساله (1398-1378) محاسبه شد. با توجه ‌به تعداد نسبتاً زياد پارامترها از روش‌هاي تحليل ‌مؤلفه‌هاي اصلي و تحليل ‌مؤلفه‌هاي مستقل براي كاهش ابعاد استفاده شد. سپس از الگوريتم‌هاي مختلف يادگيري ماشين شامل درخت تصميم، رگرسيون لجستيك و شبكه‌ عصبي مصنوعي پرسپترون چندلايه براي مدل‌سازي شاخص كيفي آب استفاده شد. با استفاده از اين روش‌ها تعداد پارامترهاي مورد نياز براي محاسبه‌ شاخص كيفي از 12 به دو كاهش يافت. كاهش ابعاد داده‌ها باعث صرفه‌جويي در زمان نمونه‌برداري، پايش نمونه‌ها و تعيين كيفيت آب شده و هزينه‌هاي مورد نياز براي مدل‌سازي را به مقدار قابل‌توجهي كاهش مي‌دهد. نتايج نشان داد از بين روش‌هاي كاهش بعد روش تحليل ‌مؤلفه‌هاي اصلي نسبت به روش تحليل ‌مؤلفه‌هاي مستقل كارايي بهتري مي‌تواند داشته باشد. هم‌چنين، نتايج نشان داد كه از بين روش‌هاي مورد استفاده در مدل‌سازي، روش شبكه‌ عصبي پرسپترون چندلايه با استفاده از تحليل ‌مؤلفه‌هاي اصلي با ضريب تبيين 99/0، جذر ميانگين مربعات خطا برابر 79/44 و ضريب ويلموت اصلاح شده برابر 99/0 بهترين عملكرد را داشته است. با توجه ‌به اين‌كه ابعاد زياد داده در بررسي و مدل‌سازي كيفيت آب باعث پيچيدگي و زمان بر بودن فرآيند مدل‌سازي مي‌‌شود، لذا توصيه مي‌‌شود از روش‌هاي كاهش بعد مانند تحليل مولفه‌هاي اصلي براي كاهش ابعاد داده استفاده شود. نتايج حاصل از بررسي‌ها برتري روش تحليل مؤلفه‌هاي اصلي نسبت به روش تحليل مؤلفه‌هاي مستقل را نشان مي‌دهد.