آزاده کاظمی

پیاده سازی و مکان یابی ایستگاه های پایش آلایندگی در مسیر رودخانه ها به عنوان یکی از مهمترین بخش های مدیریت منابع آب و پیمایش رودخانه ها معرفی می گردد. این مسئله سبب گردیده تا در مکان یابی بهینه ایستگاه های پایش رودخانه ها همواره با دقت قابل توجهی عمل گردد. در این راستا در مطالعه حاضر نیز بر این نکته توجه گردیده و سعی شده تا با بکارگیری رویکردهای مکانیابی هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشین اقدام به مکان یابی محل ایستگاه های پایش رودخانه قره چای در استان اراک شود. بدین منظور ابتدا با انجام مطالعات دفتری و میدانی، سه شاخص آلایندگی شامل شاخص کیفیت آب سطحی ایران (IRWQI)، شاخص کیفیت آب سازمان بهداشت ملی ایلات متحده (NSFWQI) و شاخص کیفیت آب اورگان (Oregan) در محدوده مسیر رودخانه برداشت شده است که در راستای تکمیل پایگاه داده پایه مورد استفاده بوده است. این پایگاه داده توسط مدل شبکه عصبی پرسپترون چندلایه (MLP) که در زبان برنامه نویسی متلب پیاده سازی شده است مورد ارزیابی قرار گرفته و بصورت اطلاعات مکان یابی دو متغیری (مساعد و نامساعد) طبقه-بندی گردیده است. بدین منظور ابتدا پایگاه داده بصورت تصادفی به مجموعه داده های آموزشی (70% پایگاه داده) و مجموعه آزمایشی (30% پایگاه داده) تقسیم بندی گردیده و سپس توسط مدل MLP مورد ارزیابی و کلاس بندی قرار گرفته است. نتایج حاصل از ارزیابی توسط ماتریس درهم ریختگی، توابع خطا (MSE، RMSE و SEM)، منحنی درستی کلی ROC مورد اعتبارسنجی قرار گرفته است. همچنین به منظور بررسی عملکرد مدل پیشنهادی مبتنی بر MLP، این مدل توسط مدل های معمول یادگیری ماشین (Benchmarks) شامل ماشین بردار پشتیبابی (SVM)، درخت تصمیم (DT) و جنگل تصادفی (RF) بصورت مقایسه ای مورد ارزیابی قرار گرفته است. برپایه نتایج حاصل از مدل MLP 6 ایستگاه پایش در محدوده مسیر رودخانه پیشنهاد گردیده که در درجات مختلف تغیییرات کیفیت آب توسط این مدل بنا شده است. گرادیان به دست آمده توسط مدل پس از 13 دوره آموزش شبکه MLP برابر با 062299/0 می باشد. باتوجه به نتایج ارائه شده در مدل های Benchmarks می توان بیان نمود که مدل های SVM، DT و RF به ترتیب با برآورد میزان صحت 60%، 40% و 42% نسبت به مدل MLP دارای عملکرد پایین تری بوده و مدل پیشنهاد شده در این مطالعه از دقت مکانیابی بالاتری برای مجموعه داده و