Comparison of artificial neural network, wavelet-preprocessed neural network, and SVM performance in simulating surface water quality (case study: Minab river, Hormozgan province)

رودخانه‌ها به‌عنوان منابع اصلی تأمین آب شرب، کشاورزی و صنعت، به‌ویژه در مناطق خشک و نیمه‌خشکی مثل ایران، از اهمیت حیاتی برخوردارند. پایش و پیش‌بینی تغییرات کیفی آن‌ها نقشی اساسی در مدیریت پایدار این منابع ایفا می‌کند. در این مطالعه، سه رویکرد مدل‌سازی شامل شبکه عصبی مصنوعی(ANN)، شبکه عصبی ترکیب‌شده با پیش‌پردازش موجک (WT-ANN) و ماشین بردار پشتیبان (SVM) برای شبیه‌سازی دو پارامتر کلیدی کیفیت آب سطحی، یعنی هدایت الکتریکی(EC) و غلظت کلراید (Cl⁻) در رودخانه میناب به کار گرفته شد. از داده‌های تاریخی ۴۴ ساله (۱۳۹۲–۱۳۴۸) برای توسعه مدل‌ها استفاده گردید و داده‌ها به‌صورت ۷۵ درصد برای آموزش و ۲۵ درصد برای آزمون تقسیم شدند. ورودی‌های مدل شامل ترکیب‌های مختلفی از پارامترهای کیفی آب (نظیر کلسیم، سولفات، منیزیم، سدیم و مجموع جامدات محلول) به همراه تأخیرهای زمانی یک و دو ماهه بود. در مدل‌های ANN و WT-ANN از الگوریتم پس‌انتشار خطا و توابع انتقال تانسیگ و خطی خالص، و در مدل SVM از کرنل گوسی استفاده شد. ارزیابی نتایج بر اساس معیارهای میانگین مربعات خطا و ضریب همبستگی نشان داد که مدلANN به‌طور دقیق‌تری هر دو پارامتر را شبیه‌سازی می‌کند (با ضرایب همبستگی 8852/0 برای EC و 9923/0 برایCl⁻ ). این یافته‌ها کارایی بالای مدل‌های هوش مصنوعی، به‌ویژه شبکه عصبی مصنوعی را در پیش‌بینی کیفیت آب رودخانه‌ها و کمک به کاهش هزینه‌های پایش تأیید می‌نماید.