استفاده از داده كاوي در پيش بيني كيفيت آب هاي سطحي (مطالعه موردي: رودخانه هاي دامنه شمالي سهند)

Surface water quality prediction using data mining method (Case study: Rivers of northern side of Sahand Mountain)

پايش و ارزيابي كيفي آب‌هاي سطحي فرايندي بسيار پرهزينه و زمان‌بر است. بنابراين، انتخاب روشي كه در آن با كمترين پارامترهاي هيدروشيميايي بتوان پيش‌بيني نسبتاً دقيقي از طبقۀ كيفيت آب داشت، مهم و ضروري است. تصميم‌گيري درختي به‌عنوان يكي از روش‌هاي داده‌كاوي با بهره‌گيري از يك ساختار درختي به طبقه‌بندي داده‌ها مي‌پردازد. در اين مقاله، با استفاده از روش تصميم‌گيري درختي كيفيت آب برخي از رودخانه‌هاي واقع در دامنه‌هاي شمالي كوه سهند در محل ايستگاه‌هاي هيدرومتري بستان‌آباد، پل سنيخ، ليقوان و ونيار بررسي شد و براي هر يك از رودخانه ها طبقۀ كيفيت آب با استفاده از قوانين اگر‌ ـ آن‌گاه توسعه داده شد. براي هر يك از رودخانه ها دبي و 12 پارامتر هيدروشيميايي شامل يون هاي كلسيم (Ca2+)، منيزيم (Mg2+)، كلر (Cl-)، بي‌كربنات (HCo3-)، درصد سديم (Na%)، اسيديته (pH)، سولفات (SO42-)، مجموع آنيون ها (Sum A)، مجموع كاتيون ها (Sum C)، كل نمك هاي محلول (TDS)، نسبت جذب سديم (SAR) و هدايت الكتريكي (EC) براي ايجاد مدل درختي بررسي شد. نتايج نشان داد مدل تصميم‌گيري درختي بيشتر با استفاده از چهار پارامتر EC، pH، SAR و Na+ قادر است طبقۀ كيفيت آب را با دقت بسيار زيادي مشخص كند، به‌طوري كه ميزان خطاي مدل توسعه داده‌شده در بخش آزمون براي ايستگاه هاي بستان‌آباد، ونيار، پل سنيخ و ليقوان به‌ترتيب برابر 3/4، 8/1، 22/9 و 1/6 درصد بود.

Monitoring and assessment of surface water quality are very expensive and time consuming processes, thus finding cheap, simple and relatively exact methods which determine water quality class based on minimum parameters would be very useful. Decision tree as one of the data mining techniques classifies data sets based on a tree structure. In this study, the decision tree method was used to classify water quality in some hydrometric stations located at northern side of Sahand Mountain, including Bostanabad, PoleSenikh, Lighvan and Vanyar. The water quality classes were defined based on if-then rules. For every considered river, the discharge and 12 hydrochemical parameters, including Ca2+, Mg2+, Cl-, HCO3-, Na%, pH, SO42-, total anions, total cations, total dissolved solids (TDS), sodium adsorption ratio (SAR) and Electrical conductivity (EC) were collected and used for developing decision tree model. The results showed that the decision tree model could evaluate water quality class with high accuracy based on only four parameters: EC, pH, SAR and Na+. Moreover, the error of developed models in testing phase for Bostanabad, Vanyar, PoleSenikh and Lighvan stations were 3.4, 8.1, 22.9 and 1.6%, respectively.