كاربرد مدل‌هاي آماري بِيزي در تحليل داده‌هاي فيزيكي و شيميايي آب‌هاي سطحي شمال و جنوب شرق تهران

ANALYSIS OF CHEMICAL AND PHYSICAL QUALITIES OF SURFACE TEHRAN ON BAYESIAN TIME SERIES MODELS

با توجه به اينكه ايران جزو مناطق كم آب دنيا است، استفاده‌ي بهينه و جلوگيري از آلودگي آب امري لازم است. اين امر بدون داشتن اطلاعات از وضعيت كيفي آب امكان‌پذير نيست. در اين تحقيق به‌عنوان مطالعه‌ي موردي پيرامون شبكه‌ي آب‌هاي سطحي تهران، شاخه‌ي شمال شرقي و جنوب در دو ايستگاه در شمال شبكه و جنوب آن، تعدادي از پارامترهاي فيزيكي و شيميايي مورد پايش قرار گرفته اند. با توجه به اين كه فواصل زماني پايش از نظم خاصي پيروي نمي كند، براي تحليل و تفسير داده‌ها از مدل‌هاي سري زماني بِيزي استفاده شده است. روش بِيزي علاوه بر تضمين ارتباطِ منطقي بين متغيرها، قوانين ساده‌يي را براي كنترل متغيرها در نظر مي‌گيرد. همچنين به‌كمك قوانين احتمال مي‌توان درمورد كميت يا مجموعه‌يي از كميت‌هاي مورد نظر استنباط‌هايي فراهم كرد. در امر پيش‌بيني، چنين كميت‌هايي مي‌توانند مقادير آينده يك سريِ زماني يا متغيرهاي موجود در فرايندي باشند كه سري زماني را مي‌سازند. نتايج تحليل داده‌ها نشان‌گر برازش مناسب مدل رگرسيون پويا بر متغير مواد محلول و اكسيژن محلول در آب شبكه است، و پيش‌بيني مطمين آن را به دنبال داشت. براي اسيديته‌ي آب چندجمله‌يي درجه دو برازش بهتري را نشان مي‌دهد. درنتيجه مدل‌هاي بيزي را مي‌توان به‌عنوان ابزار مناسبي در تحليل متغيرهاي كيفي آب به‌كار برد؛ و از آن در پيش‌بيني كوتاه‌مدتِ متغيرهاي كيفيِ آب هاي سطحي در مديريت كنترل كيفيِ منابع آب استفاده كرد.

Concerning the world population increase, the protection of surface water is an important world problem. As part of a globe facing water shortages, optimized water usage and pollution prevention are vital matters for Iran. Without access to accurate and sufficient information and suitable interpretation, these tasks are impossible. In this study, a part of the surface water collection network of Tehran, located in the North East and South, has been considered. Two stations; one in North and another in the South, have been chosen for monitoring. The time epochs for monitoring are not equidistant. Thus, a Bayesian approach has been employed to overcome this problem. Results show a proper fit of a Bayesian dynamic regression model to the collected data. Total Dissolved Solids (TDS) have been modeled as a function of Electric Conductivity (EC), and Dissolved Oxygen (DO) of Temperature (T). For acidity parameters, a second degree polynomial time series show a better fit. Hence, Bayesian time series models seem useful tools for analyzing water quality parameters. These models can be used for short period predictions with good accuracy.