علیرضا قائمی؛ مهدی اژدری مقدم؛ سارینا کیخا
چکیده
مقدمه
رودخانه‌ها، به‌عنوان منابع حیاتی طبیعت و پایه‌های اصلی توسعه پایدار شناخته می‌شوند. لذا، کمیت و کیفیت آب رودخانه‌ها جز پارامترهای ارزشمند محسوب می‌شوند. افزایش فعالیت‌های کشاورزی و صنعتی، باعث کاهش کیفیت منابع آب در بسیاری از نقاط شده است. تخلیه فاضلاب، زباله و کودهای شیمیایی در روستاهای حاشیه رودخانه‌ها از مهم‌ترین ...
بیشتر
مقدمه
رودخانه‌ها، به‌عنوان منابع حیاتی طبیعت و پایه‌های اصلی توسعه پایدار شناخته می‌شوند. لذا، کمیت و کیفیت آب رودخانه‌ها جز پارامترهای ارزشمند محسوب می‌شوند. افزایش فعالیت‌های کشاورزی و صنعتی، باعث کاهش کیفیت منابع آب در بسیاری از نقاط شده است. تخلیه فاضلاب، زباله و کودهای شیمیایی در روستاهای حاشیه رودخانه‌ها از مهم‌ترین منابع آلودگی کیفیت آب به شمار می‌رود. حجم ورود پساب‌های شهری و کشاورزی به این رودخانه، باعث افزایش مقادیر آلاینده‌ها شده، به‌طوری‌که در بازه سال‌های 1372 تا انتهای سال 1396، میانگین آلاینده‌های موجود در ایستگاه ورند برای سه آلاینده مواد جامد محلول، کلر و سدیم به‌ترتیب برابر 507.49، 2.16 و 2.47 بوده است. بنابراین، برآورد دقیق پارامترهای کیفیت آب، یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است.
مواد و روش‌ها
حوضه تجن، با مساحتی در حدود 4147.22 کیلومتر مربع دارای میانگین دبی رودخانه و بارندگی سالانه به‌ترتیب 20 متر مکعب بر ثانیه و 539 میلی‌متر است. بیشترین و کمترین ارتفاع حوضه، به‌ترتیب 3728 و 26 متر گزارش شده است. فعالیت‌های مختلفی نظیر کشاورزی و سدسازی در این رودخانه صورت می‌‌گیرد. در این پژوهش، از تلفیق دو مدل برنامه‌نویسی بیان ژن (GEP) و شبکه عصبی مصنوعی (ANN)، با یکی از الگوریتم پیشپردازش داده به‌نام EMD برای تخمین یکی از پارامتر مهم کیفیت آب به نام مواد جامد محلول (TDS) استفاده شد. بدین منظور، در این پژوهش، برای مدلسازی و برآورد مقادیر مواد جامد محلول از چندین داده کیفی شامل سدیم، کلسیم، منیزیم، سولفات بی‌کربنات، سولفوریک اسید و کلر که در بازه سال‌های 1372 تا انتهای سال 1396 در ایستگاه ورند اندازه‌گیری شده، استفاده شد.
نتایج و بحث
در ابتدا، نتایج حاصل از دادههای مشاهداتی در طول مدت نمونه برداری نشان دادند که مقادیر TDS در حدود 80 درصد از نمونه‌ها در بازه 300 تا 600 میلی گرم بر لیتر بوده که بیانگر کیفیت خوب آب این رودخانه بوده است. برای مقایسه عملکرد مدلهای مستقل و ترکیبی برای تخمین پارامترهای کیفی رودخانه در مراحل آموزش و آزمون، شاخصهای آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین انحراف خطا (MBE)، ضریب نش (NSE)، تابع هدف (OBJ) و نسبت RSD، استفاده شدند. نتایج حاصل از این مطالعه نشان داد که مدل ترکیبی حاصل از برنامه‌نویسی بیان ژن و تجزیه مود تجربی (EMD-GEP) توانست با کمترین خطا ( 0.23=RSD و 24.41=RMSE) عملکرد بالاتری را در مقایسه با سایر مدل‌ها مانند مدل GEP ( 0.44 =RSD و RMSE=47.27) در تخمین این پارامتر کیفی آب داشته باشد. علاوه‌بر این، مدل ترکیبی حاصل از شبکه عصبی مصنوعی و تجزیه مود تجربی (EMD-ANN) با 36.64 =RMSE و 0.95=R بعد از EMD-GEP، در رتبه دوم قرار گرفت. مطابق نتایج حاصل از تابع هدف برای هریک از مدل‌ها، مدل EMD-GEP دارای مقادیر تابع هدف کمتری (15.92=OBJ) نسبت به سایر مدل‌ها در مدلسازی مواد جامد محلول است. درحالی‌که، بیشترین مقدار تابع هدف (29.34=OBJ) متعلق به مدلGEP است.
نتیجه‌‌‌گیری
به‌منظور، تخمین مواد جامد محلول در رودخانه تجن، از روش‌‌های ANN و GEP در این پژوهش استفاده شد. سپس، برای تقویت برآوردها از الگوریتم‌‌های تجزیه مود تجربی برای پیشپردازش دادههای سری زمانی استفاده شد. نتایج به‌دست آمده از مدلهای هوشمند تلفیقی با استفاده از شاخصهای آماری خطا، مانند ضریب همبستگی، ریشه میانگین مربعات خطا، مورد ارزیابی قرار گرفت. نتایج نشان داد که روش EMD، باعث تقویت مدلهای ANN و GEP، در راستای تخمین این پارامتر کیفی آب در ایستگاه ورند شده‌‌اند. به‌طوری‌که مدلهای ترکیبی حاصل از GEP و ANN توانست 48.35 درصد و 14.02 درصد خطای RMSE را به‌ترتیب در مقایسه با دو مدل مستقل GEP و ANN کاهش دهد.
