کاربرد روش های تلفیقی هوش مصنوعی در پیش بینی پارامترهای کمی و کیفی آب رودخانه ها

چکیده امروزه در دنیا آب و منابع آب، یکی از پایه های اصلی توسعه پایدار بشمار می روند. زندگی بشر در کره زمین در گرو تامین آب مناسب از نظر کمی و کیفی قرار دارد. بدین منظور تحلیل پارامترهای جریان و کیفیت آب رودخانه های تامین کننده نیازهای شرب و آبیاری و پیش بینی و شبیه سازی این پارامترها حائز اهمیت می باشد. در این تحقیق، کیفیت آب رودخانه های حوضه آبریز زرینه رود که یکی از پرآب ترین و بزرگترین رودخانه های کشور می باشد، بر اساس استاندارهای مختلف ایران و جهان و دیاگرام های شولر و ویل-کاکس از لحاظ مصارف مختلف شرب و کشاورزی مورد تحلیل و بررسی قرار گرفت. که در اکثریت نقاط مورد مطالعه در حوضه آبریز مذکور کیفیت آب رودخانه ها از لحاظ شرب و کشاورزی مناسب و قابل استفاده می-باشد. جهت پیش بینی و مدلسازی پارامترهای کیفیت و جریان آب در رودخانه ها از روش های مختلف هوش مصنوعی، روش شبکه عصبی مصنوعی با الگوریتم های آموزشی مختلف پس انتشار خطای لونبرگ-مارگارت، گرادیان توام مقیاس شده، گرادیان توام فلتچر، الگوریتم متقاطع تک مرحله ای، و گرادیان کاهشی با نرخ آموزش تطبیقی و روش سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل های افراز شبکه و دسته بندی تفریقی و همچنین برنامه ریزی بیان ژن استفاده شد. بدین منظور از داده های کیفیت آب با طول دوره آماری 18 ساله و داده های جریان ماهانه با طول دوره آماری 21 ساله استفاده گردید. ابتدا به دلیل تاثیر میزان جریان رودخانه بر روی پارامترهای کیفیت آب رودخانه، دوره مطالعاتی مذکور به دوره های کم آبی و پرآبی نیز تفکیک شده و در یک آنالیز اولیه آماری، پارامترهای موثر اصلی در تخمینtds و جریان در رودخانه ها تعیین و برای مدل بندی استفاده گردید. برای مدل بندی 75 درصد داده ها برای آموزش و 25 درصد برای ارزیابی مدل های شبیه سازی پارامترهای کیفیت آب و جریان رودخانه استفاده شده است. ارزیابی عملکرد مدل های به کار رفته بر اساس آزمون های آماری مختلف، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج حاصل از هر دو مبحث مدلسازی کیفی و کمی، حاکی از عملکرد قابل قبول روش های هوش مصنوعی در دوره های مطالعاتی و شرایط مختلف می باشد. مقایسه عملکرد روش-های به کار گرفته شده، نشان داد که به ترتیب اولویت عملکرد روش های برنامه ریزی بیان ژن، عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی، عصبی-فازی تطبیقی مبتنی بر مدل افراز شبکه و شبکه عصبی مصنوعی با الگوریتم آموزشی لونبرگ مارگارت، جهت پیش بینی میزان جامدات محلول و جریان در رودخانه ها مناسب می باشد. از طرفی ارائه رابطه ریاضی حاکم بر مسئله توسط برنامه ریزی بیان ژن از جمله محسناتی است که این روش را از سایر روش های هوش مصنوعی متمایز می کند.