مریم آریا صدر؛ داریوش رحیمی؛ مهران زند؛ هادی امیری
چکیده
مقدمه
کیفیت آب مصرفی در بخشهای شرب و کشاورزی از شاخصهای مهم توسعه پایدار است. فعالیتهای کشاوررزی و صنعتی انسان منجر به کاهش کیفیت آب شده است. از سوی دیگر، محدودیت منابع آب شیرین و با کیفیت مناسب از دیگر محدودیتهای منابع آب است. پیچیدگی سامانههای آبی، تغییرات آن در طول زمان و مکان، افزایش هزینه و زمانبر بودن آزمایش ...
بیشتر
مقدمه
کیفیت آب مصرفی در بخشهای شرب و کشاورزی از شاخصهای مهم توسعه پایدار است. فعالیتهای کشاوررزی و صنعتی انسان منجر به کاهش کیفیت آب شده است. از سوی دیگر، محدودیت منابع آب شیرین و با کیفیت مناسب از دیگر محدودیتهای منابع آب است. پیچیدگی سامانههای آبی، تغییرات آن در طول زمان و مکان، افزایش هزینه و زمانبر بودن آزمایش کیفیت آب و نیاز به پایش مداوم بر دشواری پایش و ارزیابی کیفیت آب اثرگذار است. استفاده از الگوریتمهای هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، برای پیشبینی کیفیت آب بهدلیل پارامترهای متنوع، مفید بوده، در مقایسه با روشهای آزمایش سنتی، مقرون به صرفه است. هیچ الگوریتم یکنواختی برای پیشبینی کیفیت آب وجود ندارد. در این پژوهش تلاش میشود، کارایی این الگوریتم در تخمین عناصر فیزیکی و شیمیایی مورد ارزیابی قرار گیرد. در دهههای اخیر کیفیت رودخانههای رشته کوه زاگرس بهدلیل فرسایش سازندهای کارستیک، عبور از مناطق سکونتگاهی، تغییرات کاربری اراضی، خشکسالی و تغییر اقلیم کاهش یافته است. برخی از این رودخانهها مانند کرخه، کارون و دز منبع تأمین آب شرب جمعیتی بیش از 10 میلیون نفر هستند. بنابراین تغییر در کیفیت آب منجر به افزایش خطر و تهدید آب شرب این سکونتگاهها میشود. بنابراین بررسی کیفیت منابع آب و ارائه مدل مناسب آن نقش مؤثری در مدیریت تأمین آب مورد نیاز خواهد داشت. پژوهش حاضر، بر آن است، ضمن پایش کیفیت آب آبخیز چم انجیر، بهترین الگوریتم یادگیری ماشین در تخمین آن را ارزیابی کند.
مواد و روشها
حوزه آبخیز چم انجیر واقع در استان لرستان و در جنوب شرق حوزه آبخیز کرخه است و بین طولهای ΄40 ˚48 تا ΄10 ˚48 شرقی و عرضهای ΄10 ˚33 تا ΄36 ˚33 قرار دارد. سازندهای زمینشناسی یکی از منابع مؤثر در غلظت متغیرهای شیمیایی منابع آب سطحی بهویژه در مناطق کارستیک است. این سازند در تغییر کیفیت آبخیز چم انجیر بسیار مؤثر است. سه زیرحوضه همجوار الشتر، خرمآباد و بیرانشهر تحتتأثیر سنگشناسی منطقه، میزان ترکیب شیمیایی سنگهای آهک و دولومیت، 89-87 درصد و انحلال گچ 13-11 درصد و میزان انحلال کربنات کارست (بین 0.01 تا 0.40 میلیمتر) است. آهکی بودن جنس زمین و وجود سنگهای نفوذی در زیرحوضههای بالادست رودخانه دز منجر به تغییر متغیرهای کلسیم، پتاسیم، EC و TDS شده است. همچنین خشکسالی اقلیمی و هیدرولوژی کیفیت منابع آب را تحت تأثیر قرار داده، باعث افزایش درصد متغیرهای شیمیایی آب شده است. برای انتخاب مدل مناسب هوش مصنوعی و بررسی کیفیت منابع آب سطحی آبخیز چم انجیر، از 321 نمونه از متغیر دبی چم انجیر در دوره 2021-1969 استفاده شد. این نمونهها، از متغیرهای شیمیایی Na، SAR، TH، TDS، Cl، Ca و Mg ایستگاه هیدرومتریک چم انجیر انتخاب شدهاند. برای مدلسازی کیفیت آب سطحی چم انجیر از الگوریتمهای یادگیری ماشین استفاده شد. در پژوهش حاضر، متغیرهای شیمیایی با الگوریتمهای مختلف یادگیری ماشین بررسی شده، اعتبار و دقت مقادیر برآورد شده با مقادیر مشاهداتی متغیرهای شیمیایی آب با شاخصهای r، MSE و MAE ارزیابی شده است. بر اساس تکرار و آزمون مدلهای مختلف الگوریم یادگیری ماشین، الگوریتمهای ماشین بردار پشتیبان و رگرسیون درختی بهعنوان بهترین مدلها انتخاب شدهاند. برای ارزیابی و ارتباطسنجی بین متغیرها از ماتریس همبستگی استفاده و بر اساس همبستگی، از میان دبی رودخانه و متغیرهای ماهانه کیفیت آب، HCO3، pH، Na، EC، Cl، Ca، Mg، TH، TDS و سختی موقت، 321 نمونه ماهانه از دو متغیر TDS و TH در دوره آماری 2021-1969 بررسی شد. برای بررسی دقت الگوریتمهای یادگیری ماشین در مدلسازی کیفیت آب، از شاخصهای همبستگی، میانگین مربعات خطاها و میانگین خطای مطلق استفاده شده است.
نتایج و بحث
نتایج P-test وجود روند افزایشی در سطح اطمینان 95 درصد دو متغیرTDS و TH از سال 1985 را تأیید کرد. متوسط TDS در دوره اول (1984-1969)، 286.6 میلیگرم در لیتر و در دوره دوم (2021-1985) 422.08 میلیگرم در لیتر و متوسط TH در دوره اول (1984-1969) 181.5 میلیگرم در لیتر و در دوره دوم (2021-1985) 278.6 میلیگرم در لیتر است. نتایج ماتریس همبستگی نشان داد که TDS همبستگی قوی با EC و TH نشان میدهد. TH همبستگی مثبت با متغیرهای شیمیایی TDS، EC، HCO3، Ca، Cl و Mg و همبستگی معکوس با pH نشان میدهد. الگوریتمهای یادگیری ماشین SVM و CART روند افزایشی را برای دو متغیر سختی کل و غلظت مواد محلول آب در دبی آبخیز چم انجیر تخمین میزنند. الگوریتم SVM با مدل KernalLinear بهترین عملکرد را داشت. علاوهبر این، شاخص صحتسنجی RMSE نیز الگوریتم SVM را با مقادیر پایینتری نسبت به الگوریتم CART نشان داد. بنابراین، SVM در پیشبینی متغیرهای کیفیت آب دقیقتر است.
نتیجهگیری
الگوریتمهای یادگیری ماشین برای مدلسازی کیفیت آب مؤثر هستند. نتایج نشان داد، در آبخیز چم انجیر، روند رو به رشد در غلظتهای TDS و TH از سال 1985 وجود دارد. SVM در پیشبینی TDS و TH از CART بهتر عمل کرد. یافتهها نشان داد کاهش دبی رودخانه، افزایش مصرف آب و زمینشناسی کارست در میزان غلظت TH و TDS تأثیر دارند. پایش کیفیت آب برای مدیریت منابع آب ضروری است. برای تخمینهای آینده کیفیت آب در این مطالعه، الگوریتم SVM توصیه میشود.
نگار عین اله زاده؛ اتابک فیضی؛ فرناز دانشور وثوقی
چکیده
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیتهای صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانهای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد میشود. تاثیر منفی این پدیده در سامانههای مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانیهایی برای جوامع ...
بیشتر
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیتهای صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانهای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد میشود. تاثیر منفی این پدیده در سامانههای مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانیهایی برای جوامع بشری شده است. بنابراین، یکی از علتهای اصلی نگرانیهای امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالشهای مدیریت منابع آب و انرژی است که باید بهصورت جدی بررسی شود و برنامهریزیهایی بهمنظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسبترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روشهای هوش مصنوعی در بررسی پدیده تغییر اقلیم است.
مواد و روشها
یکی از معتبرترین روشها، برای بررسی پارامترهای موثر بر پدیدههای هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدلهای گردش عمومی جو (GCM) است. برای استفاده از این مدلها در مقیاس منطقهای، نیاز به انجام عملیات ریزمقیاس نمایی است. قبل از انجام فرایند ریزمقیاسنمایی، بهعلت تعداد زیاد پارامترهای حاصل از مدلهای گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آنها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از 25 مدل سری پنجم گزارش IPCC، استفاده شد. برای تعیین مدل برتر از میان مدلهای بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدلهای GCM استفاده شد. همچنین، برای ریزمقیاسنمایی خروجی مدلهای GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از بهکارگیری شبکه عصبی، برای رسیدن به یک شبکه ایدهآل و بهینه، مناسبترین پارامترهای ورودی به شبکه از میان پارامترهای مدلهای GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5، بررسی و انتخاب شدند.
نتایج و بحث
در این پژوهش، برای بررسی عدم قطعیت مدلهای GCM، 25 مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM3 ،CMCC-CMS و MPI-ESMMR، مناسبترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه میکنند. نتایج حاصل برای تعیین مناسبترین پارامترهای ورودی، بهمنظور ریزمقیاسنمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 نشان داد که الگوریتم درخت تصمیم، مناسبترین پارامترها را برای منطقه مورد نظر ارائه میکند. همچنین، نتایج حاصل از ریزمقیاسنمایی با شبکه عصبی با استفاده از متغیرهایی که با روش درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. بهطوریکه پارامترهای انتخاب شده مدل MRI-CGCM3، بهعنوان ورودی شبکه عصبی در روش ریزمقیاسنمایی پاسخهای بهتری را ارائه داده است. نتایج بهدست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM3 نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای دادههای آزمون، بهترتیب 0.39، 0.40 و 0.63 بهدست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای دادههای آزمون مدل برتر، بهترتیب 0.9، 0.03 و 0.95 بوده است.
نتیجهگیری
عملکرد شبکههای ریزمقیاسنمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمیتواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دستیابی به یک مدل بهینه، از مدلهای متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهشهایی، میتواند پژوهشگران را برای بررسی پدیدههای مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبرانناپذیری داشته باشد، کمک شایانی کند.
