تخمین پارامترهای کیفیت آب رودخانه سفیدرود با استفاده از مدل‌های ANFIS، GEP و LS-SVM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 دانشجوی کارشناسی ارشد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

3 استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه صنعتی خاتم الانبیاء بهبهان، بهبهان، ایران

چکیده

رودخانه‌ها مهم‌ترین منابع آب آشامیدنی، کشاورزی و صنعت به‌شمار می‌روند. ازاین‌رو بررسی و تخمین پارامترهای کیفی آب در طول یک رودخانه باید مورد توجه قرار گیرد. در این پژوهش از سه مدل سیستم سامانه استنتاجی عصبی- فازی تطبیقی (ANFIS)، حداقل مربعات ماشین‌بردار پشتیبان (LS-SVM) و برنامه‌ریزی بیان ژن (GEP) برای تخمین برخی از پارامترهای کیفی آب (کل جامدات محلول، هدایت الکتریکی و سختی کل) رودخانه سفیدرود طی یک دوره آماری 40 ساله استفاده شد. ارزیابی این سه روش هوش مصنوعی توسط معیارهای آماری ضریب هم‌بستگی (R)، ضریب کارایی نش- ساتکلیف (NSE)، مربع میانگین خطای استاندارد نرمال شده (NMSE) و میانگین قدر مطلق خطا (MAE) انجام شد. نتایج حاصل از این پژوهش نشان داد که هر سه روش هوش مصنوعی ANFIS، LS-SVM و GEP قابلیت بسیار زیادی در تخمین پارامترهای کیفی TDS، TH، EC دارند. به‌صورتی که برای تخمین TDS روش LS-SVM، (RTrain=0.95 RTest=0.96) ، برای تخمین EC،
روش GEP، (RTrain=0.94 RTest=0.95) و برای تخمین TH روش ANFIS، ((RTrain=0.92 RTest=0.94 بهترین شبیه‌سازی را انجام دادند. این پژوهش نشان می‌دهد که با استفاده از روش‌های هوش مصنوعی می‌توان غلظت پارامترهای کیفی را در صورت عدم اندازه‌گیری آنها و بر اساس غلظت سایر پارامترهای کیفی محاسبه کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Water Quality Parameters in the Sepidrood River by ANFIS, GEP and LS-SVM Models

نویسندگان [English]

  • Arash Adib 1
  • Hiwa Farajpanah 2
  • Mohammad Mahmoudian Shoushtari 1
  • Iman Ahmadeanfar 3
1 Prof., Civil Engineering Dept., Engineering Faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 MSc Student, Civil Engineering Dept., Engineering Faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 Assist. Prof., Civil Engineering Dept. Engineering Faculty, Behbahan Khatam Al-Anbia University of Technology, Behbahan, Iran
چکیده [English]

Rivers are the most important water supply resource for the drinkable, agricultural and industrial demands. Therefore, estimation of water quality parameters in rivers is an essential and necessary task. This research applies the Adaptive Neuro-Fuzzy Inference System (ANFIS), the Least Squares-Support Vector Machines (LS-SVM) and the Gene Expression Programming (GEP) for estimation of Total Dissolved Solids (TDS), Electrical Conductivity (EC) and Total Hardness (TH) in the Sepidrood River and a 40 year period. The applied performance criteria are the correlation coefficient (R), the Nash-Sutcliffe model Efficiency coefficient (NSE), the Normalized Mean Squared Error (NMSE) and the Mean Absolute Error (MAE). These methods have high ability for estimation of water quality parameters. The best method is LS-SVM method for estimation of TDS (RTrain=0.95 RTest=0.96). The best method is GEP method for estimation of EC (RTrain=0.94 RTest=0.95). The best method is ANFIS method for estimation of TH (RTrain=0.92 RTest=0.94). This research shows that intelligence methods can estimate unmeasured concentration of qualitative parameters by concentration of other qualitative parameters.

کلیدواژه‌ها [English]

  • The Sepidrood River
  • Water Quality
  • ANFIS
  • LS-SVM
  • GEP

مراجع

Aghel, B., Rezaei, A. & Mohadesi, M. 2019. Modeling and prediction of water quality parameters using a hybrid particle swarm optimization–neural fuzzy approach. International Journal of Environmental Science and Technology, 16(8), 4823-4832.
Azad, A., Karami, H., Farzin, S., Mousavi, S. F. & Kisi, O. 2019. Modeling river water quality parameters using modified adaptive neuro fuzzy inference system. Water Science and Engineering, 12(1), 45-54.
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.
Cheng, Q., Huang, Q., Khan, S., Liu, Y., Liao, Z., Li, G. et al. 2016. Adsorption of Cd by peanut husks and peanut husk biochar from aqueous solutions. Ecological Engineering, 87, 240-245.
Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems,13(2), 87-129.
Haghiabi, A. H., Nasrolahi, A. H. & Parsaie, A. 2018. Water quality prediction using machine learning methods. Water Quality Research Journal, 53(1), 3-13.
Jang, J. S. 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man and Cybernetics, 23(3), 665-685.
Kisi, O., Akbari, N., Sanatipour, M., Hashemi, A., Teimourzadeh, K. & Shiri, J. 2013. Modeling of dissolved oxygen in river water using artificial intelligence techniques. Journal of Environmental Informatics, 22(2), 92-101.
Kisi, O. & Parmar, K. S. 2016. Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution. Journal of Hydrology, 534, 104-112.
Mellit, A., Pavan, A. M. & Benghanem, M. 2013. Least squares support vector machine for short-term prediction of meteorological time series. Theoretical and Applied Climatology, 111(1-2), 297-307.
Rajaee, T. & Shahabi, A. 2016. Evaluation of wavelet-GEP and wavelet-ANN hybrid models for prediction of total nitrogen concentration in coastal marine waters. Arabian Journal of Geosciences, 9(3), 176.
Ravansalar, M. & Rajaee, T. 2015. Evaluation of wavelet performance via an ANN-based electrical conductivity prediction model. Environmental Monitoring and Assessment, 187(6), 366.
Suykens, J. A. & Vandewalle, J. 1999. Least squares support vector machine classifiers. Neural Processing Letters, 9(3), 293-300.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار