پهنه‌بندي كيفي رودخانه‌ها با استفاده از روش تركيبي تحليل مؤلفه‌هاي اصلي و تحليل طبقه‌بندي فازي

River Water Quality Zoning Using Combination of Principal Component Analysis (PCA) and Fuzzy Clustering Analysis

پهنه‌بندی كیفیت آب و ارائه تصویر صحیح از وضعیت كیفی آب‌های سطحی باعث می‌شود تا هرگونه تصمیم‌گیری مدیریتی كه اثرات محیط‌ زیستی آن به‌صورت مستقیم و یا غیرمستقیم متوجه آب‌های سطحی باشد، با آگاهی بیشتری اتخاذ شود. پهنه‌بندی كیفی بر اساس معیار آلودگی انجام می‌شود. در تعیین این معیار، پارامترهای مختلفی از كیفیت آب با توجه به داده‌های تاریخی موجود و نوع مصارف آبی تأثیر دارد و در نظر گرفتن همه پارامترهای كیفی آب برای تحلیل كیفیت آب یك رودخانه مشكل است و مدل پیشنهادی را پیچیده می‌سازد. در این مقاله از رویكرد تحلیل مؤلفه‌های اصلی به‌منظور كاهش پارامترهای كیفی آب در تعیین معیار آلودگی استفاده شد. این روش برای كاهش ابعاد داده استفاده شده است؛ به این ترتیب مؤلفه‌هایی از مجموعه داده كه بیشترین تأثیر را در واریانس دارند، حفظ می‌شوند. نتایج به‌دست آمده نشان می‌دهد، مؤلفه اصلی اول می‌تواند 59/93 درصد از تغییرات داده‌ها، دو مؤلفه اصلی اول می‌توانند 67/96 درصد از تغییرات داده‌ها و به‌همین ترتیب شش مؤلفه اصلی اول 99/99 درصد از تغییرات داده‌ها را توصیف كنند. سپس بر اساس معیار آلودگی تعیین شده، از روش تحلیل طبقه‌بندی فازی به‌منظور دسته‌بندی بازه‌های رودخانه استفاده شد. ابتدا با استفاده از رابطه فازی ممدانی به فازی‌سازی اطلاعات پرداخته شد و سپس ماتریس تجانس توسط روابط فازی تشكیل شد. در نهایت با مشخص كردن حدود آستانه مناسب، طبقه‌بندی كیفی صورت گرفت. در این مقاله، با استفاده از اطلاعات كیفی آب جمع‌آوری شده از نقاط پایش كیفی در طول رودخانه زاینده‌رود، كارایی روش پیشنهادی ارزیابی شد.

Management decisions whose environmental impacts affect directly or indirectly surface waters must of necessity be based on adequate knowledge and information when water quality zoning and a clear picture of river water quality are sought. Water quality zoning is based on pollution criteria that are identified on the basis of different water quality parameters drawn from historical data and the water uses in the region. The aggregate of the data and parameters involved make river water quality modeling a complex process. In this paper, the Principal Component Analysis (PCA) is used to reduce the water quality parameters involved in the identification of river water pollution criteria. The method keeps those components with more variances. The results show that the first component transfers 93.59% of the variation in the data, while the first two and the first six components explain 96.67% and 99.99% of the variations, respectively. Based on the criteria thus identified, the fuzzy clustering analysis is used in a second stage of the study to classify the river intervals. For this purpose, the fuzzy water quality data are provided to generate the fuzzy similarity matrix based on the fuzzy relations. Then, the stabilized matrix and the clustering diagram are created. Finally, the river intervals are classified into similar categories using the proper thresholds. The efficiency of the proposed method is evaluated by employing water quality data collected from the Zayandehrood River monitoring stations.