مقايسه عملكرد روش‌هاي يادگيري عميق و يادگيري ماشين در پيشبيني ميزان اكسيژن محلول

پيش‌بيني كيفيت آب نقش مهمي در پايش زيست‌ محيطي، پايداري اكوسيستم و آبزي‌پروري ايفا مي‌كند. روش‌هاي پيش‌بيني سنتي نمي‌توانند غير خطي و غير ثابت بودن كيفيت آب را به خوبي نشان دهند. در مطالعه حاضر پارامتر كيفي اكسيژن محلول در آب با استفاده از روش‌هاي هوشمند ماشين بردار پشتيبان (SVM)، رگرسيون فرآيند گاوسي (GPR) و روش حافظه طولاني كوتاه مدت (LSTM) بر روي سه ايستگاه متوالي بر روي رودخانه ساواناه واقع در ايالات متحده آمريكا مدل‌سازي شد. بدين منظور شش پارامتر هيدروليكي و هيدرولوژيكي جريان شامل دماي آب، كدورت، دبي، ميانگين سرعت جريان، pH و رسانايي ويژه در مدت هفت سال (2015 2021) به صورت روزانه به عنوان پارامترهاي ورودي، جهت مدل‌سازي اكسيژن محلول به كار گرفته شدند. نتايج نشان‌دهنده برتري كامل روش يادگيري عميق بر روش‌هاي يادگيري ماشين بود. با توجه به نتايج بدست آمده روش حافظه طولاني كوتاه مدت براي مدل آخر كه شامل تمامي پارامترها بود در ايستگاه سوم با دارا بودن ضريب همبستگي و ضريب تبيين و جذر ميانگين مربعات خطا به ترتيب 0.981 =R و 0.956DC= و 0.034 RMSE براي داده‌هاي آزمون از عملكرد بهتري برخوردار بود. در نهايت با انجام تحليل حساسيت، با حذف پارامتر دماي آب، مشخص گرديد معيارهاي ارزيابي DC، به ميزان 14% كاهش و RMSE، به ميزان 100% افزايش داشت. بنابراين دماي آب به عنوان تأثيرگذارترين پارامتر در پيش‌بيني اكسيژن محلول در آب معرفي شد.