عنوان مقاله :
امكان‌سنجي كاربرد روش‌هاي داده‌كاوي در تخمين طبقه كيفي آب رودخانه آجي‌چاي
عنوان به زبان ديگر :
Feasibility Study of Data Mining Methods Application to Estimate Aji Chai River’s Water Quality Classification
پديد آورندگان :
ستاري محمدتقي دانشگاه تبريز - دانشكده كشاورزي - گروه مهندسي آب , رضازاده جودي علي دانشگاه آزاد اسلامي واحد مراغه - باشگاه پژوهشگران جوان و نخبگان
كليدواژه :
k-نزديك‌ترين همسايگي , شبكه عصبي مصنوعي , دياگرام ussl , طبقه‌بندي كيفيت آب , طبقه‌بندي‌كننده بردار پشتيبان
چكيده فارسي :
دسترسي به منابع آب پاك و با كيفيت يكي از دغدغه‌هاي اساسي انسان از ديرباز بوده است. از اين رو تعيين كيفيت آب براي مصارف مختلف از جمله آبياري در مناطق مختلف بسيار ضروري مي‌باشد. در اين تحقيق، ابتدا كيفيت آب آبياري در رودخانه آجي‌چاي در 4 ايستگاه آخولا، ارزنق، مركيد و ونيار توسط دياگرام ussl طبقه‌بندي شد. سپس امكان استفاده از روش‌هاي طبقه‌بندي‌كننده بردار پشتيبان، kنزديك‌ترين همسايگي و شبكه عصبي مصنوعي در تخمين طبقه كيفي آب با استفاده از پارامترهاي هيدروشيميايي مختلف مورد سنجش قرار گرفت. ارزيابي عملكرد روش‌هاي داده‌كاوي نشان‌دهنده دقت بالا و عملكرد بسيار مناسب اين روش‌ها در تعيين طبقه كيفي آب مي‌باشد. در اين تحقيق بر اساس آماره‌هاي كاپا و نرخ خطا، روش‌هاي مورد استفاده از نظر دقت عملكرد رتبه‌بندي گرديد. با بررسي دقيق نتايج مشاهده گرديد كه روش طبقه‌بندي‌كننده بردار پشتيبان كه با بهره‌گيري از توابع كرنل توانايي بالايي در حل مسائل مختلف دارد، با ميانگين رتبه 1.25 به‌عنوان كارامدترين روش داده‌كاوي و پس از آن روش kنزديك‌ترين همسايگي با ميانگين رتبه 1.75 و شبكه عصبي مصنوعي با ميانگين رتبه 2 به‌عنوان روش‌هايي مناسب جهت تعيين طبقه كيفي آب مي‌باشند.
چكيده لاتين :
Accessing to clean and high quality water sources has always been one of the main concerns
of humanity. Therefore, determination of water quality is essential for various applications e.g.
irrigation. In this study, irrigation water of Ajichai River in stations (Akhula, Arzanagh, Markid and
Vaniar) is initially classified using USSL diagram. After that, feasibility of support vector classifier,
K-nearest neighborhood and artificial neural network classification methods is assessed. Evaluation
of data mining methods presents high accuracy and performance of these methods in assessment of
water quality levels. In this study, the aforementioned methods are ranked by accuracy using kappa
and error rate statistics. Careful examination of the results demonstrates that the support vector
classifier which uses kernel functions is highly capable of solving various problems, and with an
average ranking of 1.25 is the most efficient mining method followed by K- nearest neighborhood
method with an average ranking of 1.75 and artificial neural network with an average rank of 2.
These are also suitable methods for determining water quality classification
عنوان نشريه :
دانش آب و خاك
