برآورد پارامترهای کیفی رودخانه تجن مازندران با استفاده از مدل‌های ماشین‌های بردار پشتیبان و مدل برنامه‌ریزی بیان ژن

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی خاکشناسی، گروه آب وخاک دانشکده کشاورزی، دانشگاه صنعتی شاهرود، ایران

2 استاد گروه آب و محیط زیست دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران

3 دانشیار گروه آب وخاک دانشکده کشاورزی، دانشگاه صنعتی شاهرود، ایران

4 دانشجوی گروه آب و محیط زیست دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران

10.22034/eiap.2023.169995

چکیده

به دلیل اهمیت پیش‌بینی و پایش پارامترهای کیفی آب رودخانه‌ها، در پژوهش حاضر قابلیت دو مدل ماشین‌های بردار پشتیبان (SVM) و مدل برنامه‌ریزی بیان ژن (GEP) برای برآورد دو پارامتر کیفی آب یعنی TDS و SAR در رودخانه تجن مورد ارزیابی قرار گرفت. برای برآورد TDS و SAR از پارامترهای زودیافت یا به عبارت بهتر پارامترهایی که اندازه‌گیری آن‌ها آسان و کم هزینه بوده است به عنوان پارامترهای ورودی به مدل استفاده شد. این پارامترها شامل هدایت الکتریکی آب، اسیدیته، سدیم، کلسیم، پتاسیم، نسبت جذبی سدیم، منیزیم، کلر، سولفات، بیکربنات و دبی رودخانه بودند. جهت تعیین همبستگی بین متغیر‌های مستقل و وابسته از نرم‌افزار SPSS استفاده شد. بر اساس آنالیز داده‌ها با استفاده از روش گام به گام (step by step)، سناریوهای مختلفی از ترکیب داده‌های ورودی برای پیش‌بینی TDS وSAR در نظر گرفته شد. مقایسه نتایج به دست آمده نشان داد استفاده از سه متغیر EC SO4, و SAR در برآورد TDS در رودخانه تجن، دارای بالاترین ضریب همبستگی و کمترین میزان خطا بوده است. همچنین در برآورد پارامتر SAR استفاده از دو پارامتر Na و EC بهترین نتیجه را داده است. در مجموع نتایج به دست آمده نشان‌دهنده عملکرد بالای روش برنامه‌ریزی بیان ژن در مقایسه با مدل ماشین‌های بردار پشتیبان در برآورد پارامتر‌های کیفی رودخانه‌های تجن بوده است و بنابراین از مدل می‌توان جهت پیش‌بینی پارامترهای کیفی رودخانه‌ها مورد استفاده قرار داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of the Qualitative Parameters of the Tajan River in Mazandaran Province Using Supporting Vector Machines and Expression Gene Programming Models

نویسندگان [English]

  • Mahdi Yousefi 1
  • Samad Emamghoizadeh 2
  • Hadi Ghorbani 3
  • Mahboubeh Vanak 4
1 Master's student in Soil Science Engineering, Department of Water and Soil, Faculty of Agriculture, Shahrood University of Technology, Iran
2 Professor, Department of Water and Environment, School of Civil Engineering, Shahrood University of Technology, Iran
3 Associate Professor, Department of Water and Soil, Faculty of Agriculture, Shahrood University of Technology, Iran
4 Students of the Department of Water and Environment, Faculty of Civil Engineering, Shahrood University of Technology, Iran
چکیده [English]

Due to the importance of predicting and monitoring river water quality parameters, in the present study, the capability of two models of support vector machines (SVM) and gene expression planning methods (GEP) used to estimate two water quality parameters namely the TDS and SAR in the Tajan River. To estimate the TDS and SAR, parameters which the measurement of these parameters are easy and has low cost, were used as input data to the model. These parameters included the electrical conductivity of water, acidity, sodium, calcium, potassium, the adsorption ratio of sodium, magnesium, chlorine, sulfate, bicarbonate, and river flow. SPSS was used to determine the correlation between independent and dependent variables. Based on data analysis using step-by-step method, different scenarios of combining input data for TDS and SAR prediction were considered. Comparison of the results using statistical criteria showed that the use of three variables, EC, SO4 and SAR in estimating TDS in Tajan river, had the highest correlation coefficient and the lowest error rate. The Na and EC variables also give the best results in estimating the river SAR parameter. In general, the obtained results show the high performance of gene expression planning method in estimating the quality parameters of the Tajan river and therefore it can be used to predict the qualitative parameters of rivers.

کلیدواژه‌ها [English]

  • Gene expression programming (GEP)
  • Supporting Vector Machines (SVM)
  • water quality
  • Tajan river
  • sodium absorption ratio (SAR)
  • Total dissolved solids (TDS)

مراجع

Hesami- Afshar, M.; Khalili, K.; Ali Golinia, T. & Zamanzad Gavidel, S. 2013. Prediction of TDS concentration of Zarinerood river based on the least number of input parameters with the help of genetic programming. The third international conference on environmental planning and management, University of Tehran (in persian).
Azarmdel , H.; Mostafazadeh, R. & Ghasemi, A. 2010. Assessment of Water Quality Monitoring Stations in Gorgan-Roud River, Golestan Province. Watershed Management Science & Engineering.4(10):57-61(in persian)
Dolat-Kordestani, M.; Nohegar, A.; & Janizadeh, S. 2016. Evaluation of several artificial intelligence models for predicting the quality of underground water (case study: Dasht-Guru). Scientific Research Journal of Desert Ecosystem (in persian). 6(17): page 42 27.
Diamantopoulou, M.J.; Papamichail, D.M. and Antonopoulos, V.Z. 2005. The use of a neural network technique for the prediction of water quality parameters. Operational Research 5: 115-125.
Sattari, M.T.; Pal, M.; Apaydin, H. & Ozturk, F. 2013. M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources Management. 40(3): 233-242.
Musavi-Jahromi, S. & Golabi, M. 2008. Application of artificial neural networks in the river water quality modeling: Karoon River, Iran. Journal of Applied Sciences. 8(12): 2324-2328.
Emamgholizadeh, S.; Kashi, H.; Marofpoor, I. & Zalaghi, E. 2014. Prediction of water quality parameters of Karoon River (Iran) by artificial intelligence-based models. International Journal of Environmental Science Technology. 11(3): 645-656.
Mojaradi, B.; Alizadeh, F. & Samadi, M. 2017. Estimation of Talar river water quality index using artificial neural networks and gene expression programming. Scientific-Research Journal of Watershed Science and Engineering of Iran (in persian). 12 (41), 72-61
Bozorg-Haddad, O.; Soleimani, S. & Loáiciga, H.A. 2017. Modeling water-quality parameters using genetic algorithm–least squares support vector regression and genetic programming. Journal of Environmental Engineering. 143(7): 04017021.
Karami, B. & Golabi, M. 2013. Simulation and prediction of water quality parameters using artificial neural network, fuzzy-neural method and statistical regression (case study: Karun river, Khuzestan province), the ninth International Seminar on River Engineering, Ahvaz, Shahid Chamran University, Ahvaz (in persian).
Rezaei, A.; Shahi-nejad, B. & Yonesi H. 2010. Evaluation of intelligent models in estimating the amount of dissolved solids in Kashkan river water of Lorestan province. Watershed engineering and management scientific-research journal (in persian). 1(1): 165-147
Mehdipour, V.; Memarianfard, M. & Homayounfar, F. 2017. Application of Gene Expression Programming to water dissolved oxygen concentration prediction. International Journal of Human Capital in Urban Management. 2(1): 1-10.
Najafzadeh, M.; Ghaemi, A. & Emamgholizadeh, S. 2019. Prediction of water quality parameters using evolutionary computing-based formulations. International Journal of Environmental Science Technology. 16(10): 6377-6396.
Esa-zadeh, M.; Be-azar, S.M.; Ashrafzadeh, A.; Khanjani, R. 2017. Estimation of quality parameters of Gilan plain aquifer using gamma test and support vector machine models and artificial neural network. Environmental science and technology (in Persian). 20(6), 1-21
Kamyab-Talesh, F.; Mousavi, S.-F.; Khaledian, M.; Yousefi-Falakdehi, O. & Norouzi-Masir, M. 2019. Prediction of Water Quality Index by Support Vector Machine: a Case Study in the Sefidrud Basin, Northern Iran. Water Resources Management. 46(1): 112-116.
Louisa, F. 2014. Investigation of the origin and concentration of heavy metal pollutants in the catchment area of Talar, Tajen, and Nekarud rivers." The 21st meeting of geological sciences of the Geological Organization of the country,Iran(in persian).
Cortes, C. & Vapnik, V. 1995. Support-vector networks. Machine learning. 20(3): 273-297.
Parsaie, A.; Haghiabi, A.H.; Emamgholizadeh, S. & Azamathulla, H.M. 2019. Prediction of discharge coefficient of combined weir-gate using ANN, ANFIS and SVM. International Journal of Hydrology Science Technology 9(4): 412-430.
Azamathulla, H.M.; Parsaie, A.; Haghiabi, A.H. & Emamgholizadeh, S. 2018. Prediction of discharge coefficient of combined weir-gate using ANN, ANFIS and SVM. International Journal of Hydrology Science and Technology. 9: 412-430.
Emamgholizadeh, S. & Mohammadi, B. 2021. New hybrid nature-based algorithm to integration support vector machine for prediction of soil cation exchange capacity. Soft computing. 25: 13451-13464.
Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst. 13 (2): 87–129.
Lopes, H.S. & Weinret, W.R. 2004. EGYPSIS: An enhanced gene expression programing approach for symbolic regression problems, Journal of Applied Mathematics and Computer Science, 14(3): 375-384.
Emamgholizadeh, S.; Bateni, S.M.; Shahsavani, D.; Ashrafi, T. & Ghorbani, H. 2015. Estimation of soil cation exchange capacity using Genetic Expression Programming (GEP) and Multivariate Adaptive Regression Splines (MARS). Journal of Hydrology, 529 (2015): 1590–1600.
Emamgholizadeh, S.; Bahman, K.; Bateni, S.M.; Ghorbani, H.; Marofpoor, I. & Nielson, J.R. 2017. Estimation of soil dispersivity using soft computing approaches. Neural Computing Applications 28, 207-216.
Emamgholizadeh, S. & Karimi, R. 2019. A comparison of artificial intelligence models for the estimation of daily suspended sediment load: a case study on the Telar and Kasilian rivers in Iran. Water Supply 19, 165-178.
پژوهش های محیط زیست
دوره 13، شماره 26
مجله پژوهشی
اسفند 1401
صفحه 231-246

فایل ها

هم رسانی

ارجاع به این مقاله

آمار