مجله علوم آبزی پروری

مجله علوم آبزی پروری

ارزیابی مدل‌ هیبریدی رگرسیون بردار پشتیبان در تحلیل کیفیت آب رودخانه (مطالعه موردی: رودخانه کشکان)

نوع مقاله : مقاله پژوهشی

نویسندگان
حمیدرضا باباعلی 1
ابراهیم نوحانی 2
رضا دهقانی 3
1 گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد خرم‌آباد، خرم‌آباد، ایران.
2 گروه عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران.
3 گروه علوم و مهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، خرم‌آباد، ایران.
چکیده
پیش‌بینی مواد جامد محلول در آب (TDS) در مسائل آبی از جمله رودخانه‌ها، دریاچه‌ها و سلامت آبزیان چالش‌برانگیز است اما برای مدیریت مؤثر منابع آب در بخش‌های کشاورزی، صنعت و آب آشامیدنی ضروری است. در این مطالعه، مدل هوشمند ترکیبی مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای پیش‌بینی میزان مواد جامد محلول در آب رودخانه توسعه داده‌شده است. بدین‌منظور در این پژوهش سه الگوریتم بهینه‌سازی شامل موجک، کرم شب‌تاب و گرگ خاکستری برای مدل‌سازی مواد جامد محلول در آب رودخانه بکار برده شد. جهت مدل‌سازی از آمار و اطلاعات ایستگاه هیدرومتری رودخانه کشکان واقع در استان لرستان به‌عنوان مطالعه موردی طی 8 سناریو ترکیبی از پارامترهای ورودی در طی سال‌های 1382 تا 1402 استفاده شد. به‌منظور ارزیابی عملکرد مدل‌ها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش‌ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدل‌ها از نمودار سری زمانی و باکس‌پلات و تیلور استفاده شد. نتایج نشان داد سناریوهای ترکیبی در مدل‌های موردبررسی باعث بهبود عملکرد مدل می‌شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-موجک دارای ضریب همبستگی 0/980، ریشه میانگین مربعات خطا (mg/l) 0/881، میانگین قدر مطلق خطا (mg/l) 0/473 و ضریب نش‌ساتکلیف 0/990 در مرحله صحت‌سنجی است. در مجموع نتایج نشان داد استفاده از مدل‌های هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می‌تواند رویکردی مؤثر در پایداری کیفیت رودخانه جهت سلامت آبزیان باشد.
کلیدواژه‌ها
رگرسیون بردار پشتیبان
کشکان
مواد جامد محلول در آب
مدل‌سازی

عنوان مقاله English

Evaluation of hybrid support vector regression models in river water quality analysis (Case study: Kashkan River)

نویسندگان English

Hamidreza Babaali 1
Ebrahim Nohani 2
Reza Dehghani 3
1 Department of Civil Engineering, Islamic Azad University, Khorramabad branch, Khorramabad, Iran.
2 Department of Civil Engineering, Materials and Energy Research Center, Dezful Branch, Islamic Azad University, Dezful, Iran.
3 Department of Soil Conservation and Watershed Management, Lorestan Province Agriculture and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, Khorramabad, Iran.
چکیده English

Predicting Total Dissolved Solids (TDS) in water bodies such as rivers and lakes is challenging but essential for effective water resource management in agriculture, industry, and drinking water sectors. This study develops a hybrid intelligent model based on the Support Vector Regression (SVR) approach to predict the TDS levels in river water. Three optimization algorithms—Wavelet, Firefly, and Grey Wolf—were employed to model the TDS in river water. The study utilized hydrometric station data from the Kashkan River in Lorestan Province as a case study, using eight scenarios combining input parameters from 2003 to 2023. Model performance was evaluated using correlation coefficient, root mean square error (RMSE), mean absolute error (MAE), and Nash-Sutcliffe efficiency coefficient. Time series plots, box plots, and Taylor diagrams were used to analyze the model results. The findings indicated that the combined scenarios improved model performance. The evaluation criteria showed that the Wavelet-SVR model achieved a correlation coefficient of 0.980, RMSE of 0.881 mg/l, MAE of 0.473 mg/l, and a Nash-Sutcliffe efficiency of 0.990 during the validation phase. Overall, the results suggest that intelligent models based on the SVR approach can be an effective strategy for maintaining river quality for aquatic health.

کلیدواژه‌ها English

Support vector regression
Kashkan
Total dissolved solids
Modeling
Adjovu G.E., Stephen H., James D., Ahmad S. 2023. Measurement of total dissolved solids and total suspended solids in water systems: A review of the issues, conventional, and remote sensing techniques. Remote Sensing 15(2), 353-374.
Basak D., Pal S., Patranabis D.C. 2007.  Support vector regression. Neural INF Process 11(2), 203-225.
Bui D.T., Khosravi K., Tiefenbacher J., Nguyen H., Kazakis N. 2020. Improving prediction of water quality indices using novel hybrid machine-learning algorithms. Science of The Total Environment 721(1), 137-152.
Butler B.A., Ford R.G. 2018. Evaluating relationships between total dissolved solids (TDS) and total suspended solids (TSS) in a mining-influenced watershed. Mine Water Environ 37(3), 18-44.
Dehghani R., Babaali H. 2023. Evaluation of Statistical Models and Modern Hybrid Artificial Intelligence in Simulation of Runoff Precipitation Process. Sustain. Water Resources Management 8(2), 154-172.
Dehghani R., Torabi Poudeh H., Younesi H., Shahinejad B. 2020. Daily Streamflow Prediction Using Support Vector Machine-Artificial Flora (SVM-AF) Hybrid Model. Acta Geophysica 68(6), 51-66.
Dehghani R., Torabi H. 2021.  Dissolved oxygen concentration predictions for running waters with using hybrid machine learning techniques. Modeling Earth Systems and Environment 6(2), 64-78.
 Hijji M., Chen T.C., Ayaz M., Abosinnee A.S., Muda I., Razoumny Y., Hatamiafkoueieh J. 2023. Optimization of state of the art fuzzy-based machine learning techniques for total dissolved solids prediction. Sustainability 15(4), 601-622.
Karimi S., Amiri B.J., Malekian A. 2019. Similarity metrics-based uncertainty analysis of river water quality models. Water Resources Management 33(2), 1927-1945.
Kisi O., Karahan M., Sen Z. 2006. River suspended sediment modeling using fuzzy logic approach. Hydrological Process 20(2), 4351-4362.
Nagy H., Watanabe K., Hirano M. 2002. Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulics Engineering 128(1), 558-559.
Nourani V., Tajbakhsh A.D., Molajou A. 2018. Data mining based on wavelet and decision tree for rainfall-runoff simulation. Hydrology Research 50(2), 75-84.
Ostu N.A. 1979. Threshold Selection Method from Gray-Level Histograms [J]. IEEE Transactions on Systems Man and Cybernetics 9 (1), 62-66.
Pourhosseini F.A., Ebrahimi K., Omid M.H. 2023. Prediction of total dissolved solids, based on optimization of new hybrid SVM models. Eng. Applied Artificial Intelligence 126(1), 106-122.
Sayadi M., Hessari B., Montaseri M., Naghibi A. 2024. Enhanced TDS Modeling Using an AI Framework Integrating Grey Wolf Optimization with Kernel Extreme Learning Machine. Water 16(19), 662-678
Shin  S.,  Kyung  D.,  Lee S., Taik Kim J.,  Hyun J. 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications 28(4), 127-135.
Vapnik V., Chervonenkis A. 1991. The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognition and Image Analysis 1(3), 283-305.
Vapnik V.N. 1995. The nature of statistical learning theory. Springer, New York 3(1), 250-320.
Vapnik V.N. 1998. Statistical learning theory. Wiley, New York 4(1), 250-320.
Wang D., Safavi A.A., Romagnoli J.A. 2000.  Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal 46(4), 1607-1615.
Wen, Z., Han, J., Shang, Y., Tao, H., Fang, C., Lyu, L., Li, S., Hou, J., Liu, G., Song, K., 2024. Spatial variations of DOM in a diverse range of lakes across various frozen ground zones in China: Insights into molecular composition. Water Research 252(2), 121-142.
Yan X., Zhu Y., Wu, J., Chen H. 2012. An improved firefly algorithm with adaptive strategies. Advanced Science Letters 16(1), 249-254.
Yang X.S. 2008. Firefly algorithm, nature-inspired meta-heuristic algorithms. Wiley Online Libr 20(2), 7990
Zeidalinejad N., Dehghani R. 2023. Use of meta-heuristic approach in the estimation of aquifer's response to climate change under shared socioeconomic pathways. Groundwater for Sustainable Development 20(4), 112-132.
مجله علوم آبزی پروری
دوره 12، شماره 2
آذر 1403
صفحه 78-90