تخمین عددی شاخص کیفی آب شرب با استفاده از روش‌های درختی و رویکردهای ترکیبی موجک و تحلیل مؤلفه اصلی

آب و خاک

مقاله 4، دوره 36، شماره 6 - شماره پیاپی 86، بهمن و اسفند 1401، صفحه 695-709   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2022.78452.1196

نویسندگان

محمدتقی ستاری^* ؛ سحر جاویدان

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

آگاهی از کیفیت آب، یکی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب برای مصارف مختلف از جمله شرب به شمار می‌رود. استفاده از روش‌های مدرن داده‌کاوی، می‌تواند رویکرد مناسبی برای پیش‌بینی و طبقه‌بندی کیفیت آب باشد. در پژوهش حاضر، برای محاسبه شاخص کیفی آب شرب از پارامترهای شیمیایی شامل سختی کل، قلیائیت، هدایت الکتریکی، کل مواد جامد محلول، کلسیم، سدیم، منیزیم، پتاسیم، کلر، کربنات، بی­کربنات و سولفات ایستگاه هیدرومتری باغ کلایه استان قزوین، در دوره آماری 23 ساله (1998-2020) استفاده شد. روش درخت تصادفی برای تخمین و مدل‌سازی مقادیر عددی شاخص کیفی آب شرب براساس ترکیب‌های مختلفی از پارامترهای شیمیایی به کار برده شد. ماتریس همبستگی و الگوریتم رلیف، مبنای انتخاب ترکیب‌های مختلفی از پارامترهای شیمیایی به‌عنوان ورودی روش‌های داده‌کاوی در قالب سناریوهای مختلف در نظر گرفته شدند. در جهت بهبود نتایج تخمین عددی شاخص کیفی آب شرب، از رویکرد‌های تبدیل موجک، دسته‌بندی مدل‌ها و تحلیل مؤلفه اصلی استفاده شد. بررسی نتایج نشان داد که ترکیب 3 روش تحلیل مؤلفه اصلی (با در نظر گرفتن 3 عامل اصلی)، رویکرد پیش‌پردازش Bagging و درخت تصادفی، با ضریب همبستگی برابر با 98/0، ریشه میانگین مربعات خطا برابر با 17/2، میانگین خطای قدر مطلق برابر با 52/1 و ضریب ویلموت اصلاح شده برابر با 97/0 می‌تواند دقت بالایی در تخمین مقادیر عددی شاخص کیفی آب شرب داشته باشد. براساس نتایج کلی به دست آمده، در صورت کمبود نمونه‌های آزمایشگاهی و یا عدم دسترسی به تمام پارامترهای شیمیایی، روش‌های معرفی شده در این مطالعه، به علت دقت بالا جهت تخمین شاخص کیفی آب شرب قابل توصیه خواهند بود.

کلیدواژه‌ها

الگوریتم رلیف؛ تبدیل موجک؛ تحلیل مؤلفه اصلی؛ رویکرد پیش‌پردازش Bagging؛ ضریب ویلموت اصلاح شده

مراجع

1. Abdi, H., & Williams, L.J. (2010). Principal component analysis, Wiley interdisciplinary reviews: Computational Statistics 2(4): 433-459.
2. Ajayram, K.A., Jegadeeshwaran, R., Sakthivel, G., Sivakumar, R., & Patange, A.D. (2021). Condition monitoring of carbide and non-carbide coated tool insert using decision tree and random tree – A statistical learning. Materials Today. https://doi.org/10.1016/j.matpr.2021.02.065.
3. Al-Mukhtar,, & Al-Yaseen, F. (2019). Modeling water quality parameters using data-driven models, a case study Abu-Ziriq Marsh in South of Iraq. Hydrology 6(24). https://doi.org/10.3390/hydrology6010024.
4. Batur, E., & Maktav, D. (2019). Assessment of surface water quality by using satellite images fusion based on PCA method in the Lake Gala, Turkey. IEEE Transactions on Geoscience and Remote Sensing 57(5): 2983–2989. http://doi.org/10.1109/TGRS.2018.2879024.
5. Breiman, L. (1996). Bagging predictors. Machine Learning 24: 123–140.
6. Chen, K., Chen, H., Zhou, C., Huang, Y., Qi, X., Shen, R., & Ren, H. (2020). Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data. Water Researchhttp://doi.org/10.1016/j.watres.2019.115454.
7. Denil, M., Matheson, D., & de Freitas, N. (2014). Narrowing the Gap: Random Forests in Theory and in Practice. Proceedings of the 31^st International Conference on Machine Learning, Beijing, China. JMLR: W and P. Vol.32. 9 pages.
8. Hameed, M., Shargi, S., Yaseen, Z., Afan, H., Hussain, A., & Elshafie A. (2017). Application of artificial intelligence (AI) techniques in water quality index prediction: a case study in a tropical region, Malaysia. Neural Computing and Applications 28: 893-905. https://doi.org/10.1007/s00521-016-2404-7.
9. Haar, A. (1910). The theory of orthogonal function systems. Mathematical Annals 69(3): 331-371. http://doi.org/10.1007/BF01456326.
10. Hosseini, H., Shakeri, A., Rezaei, M., Dashti Barmaki, M., & Shahraki, M. (2019). Application of water quality index (WQI) and hydro-geochemistry for surface water quality assessment, Chahnimeh reservoirs in the Sistan and Baluchestan Province. Iranian Journal of Health and Environment 11(4): 575-586.
11. Karbasi, M., & Dindar, S. (2019). Comparison of wavelet-MLP and wavelet-GMDH models in forecasting EC and SAR at Zayandeh-Rood River. Environmental Sciences 16(4): 135-152. (In Persian with English abstract)
12. Kavita, D., & Jagdish, S. (2012). Water resources management and water quality, case of Bhopa l‰, International Conference on Chemical, Ecology and Environmental Sciences (ICEES'2012) 17-18march, Bangkok.
13. Khalil, B., Ouarda, T., & St-Hilaire, A. (2011). Estimation of water quality characteristics at ungauged sites using artificial neural networks and canonical correlation analysis. Journal of Hydrology 405: 277–287.
14. Kheirabadi, Kh., Fayazi, J., Roshanfekr, H., & Abdollahi-Arpanahi, R. (2017). Evaluation of the effectiveness of bootstrap aggregating sampling technique in the accuracy of the genomic best linear unbiased prediction method. Iranian Journal of Animal Science 48(4): 573-584. http://doi.org/10.22059/ijas.2018.248547.653596.
15. Khoi, D.N., Quan, N.T., Linh, D.Q., Nhi, P.T.T., & Thuy, N.T.D. (2022). Using Machine Learning Models for Predicting the Water Quality Index in the La Buong River, Vietnam. Water https://doi.org/10.3390/w14101552.
16. Kira, K., & Rendell, L.A. (1992). The feature selection problem: traditional methods and a new algorithm. AAAI-92 Proceedings of the tenth national conference on Artificial intelligence, Menlo Park, California. 129-134.
17. Kolli,, & Seshadri, R. (2013). Ground water quality assessment using data mining techniques. International Journal of Computer Applications 76(15): 39-45.
18. Lau, K.M., & Weng, H.Y. (1995). Climate signal detection using wavelet transform, How to make time-series sing, Bulletin of the American Meteorological Society 76: 2391-2402.
19. Mat Nawi, N., Chen, G., Jensen, T., & Abdanan Mehdizadeh, S. (2013). Prediction and classification of sugarcane Brix based on skin scanning using visible and shortwave near infrared. Biosystems Engineering 115(2): 154–161.
20. Nihalani, S.M., & Meeruty, A. (2020). Water quality index evaluation for major rivers in Gujarat. Environmental Science and Pollution Research 28: 63523–63531. http://doi.org/10.1007/s11356-020-10509-5.
21. Othman, F., Alaaeldin, M., Seyam, M., Ahmed, A., Teo, F., Ming, Fai, Ch., Afan, H., Sherif, M., Sefelnasr, A., & Shafie, A. (2020). Efficient river water quality index prediction considering a minimal number of inputs variables. Engineering Applications of Computational Fluid Mechanics 14(1): 751-763. https://doi.org/10.1080/19942060.2020.1760942.
22. Sattari, M.T., Mirabbasi, R., & Abbasgholi, M. (2017). The use of data mining in predicting the quality of surface water (case study: the rivers of the northern slopes of Sahand). Ecohydrology 4(2): 407-419. (In Persian)
23. Singh, D.F. (1992). Studies on the water quality index of some major rivers of Pune, Maharashtra. Proceedings Academy Environmental Biology 1: 61–66.
24. Soleimanpour, S.M., Mesbah, S.H., & Hedayati, B. (2018). Application of CART decision tree data mining to determine the most effective drinking water quality factors (case study: Kazeroon plain, Fars province). Iranian Journal of Health and Environment 11(1): 1-14. (In Persian with English abstract)
25. Solgi, A., Pourhaghi, A., Zarei, H., & Ansari, H. (2017). Modeling and forecast biological oxygen demand (BOD) using combination support vector machine with wavelet transform. Journal of Water and Soil 31(1): 86-100.
26. Trabelsi,, & Hadj Ali, S. (2022). Exploring machine learning models in predicting irrigation groundwater quality indices for effective decision making in Medjerda River Basin, Tunisia. Sustainability 14. https://doi.org/10.3390/su14042341.
27. Vishwanath, V., Mahesh Kumar, N., & Wakif, A. (2021). Haar wavelet scrutinization of heat and mass transfer features during the convective boundary layer flow of a nanofluid moving over a nonlinearly stretching sheet. Partial Differential Equations in Applied Mathematics 4, https://doi.org/10.1016/j.padiff.2021.100192.