مدل سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش های پیش پردازنده

آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهم ترین شاخص های کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه مدت (LSTM) بر پایه روش های پیش پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل ها قابلیت و کارایی بالای روش به کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روش های پیش پردازنده باعث بهبود نتایج شدند. هم چنین در بررسی های انجام شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل سازی مکانی، به میزان دو درصد و هم چنین تجزیه مد تجربی در مدل سازی زمانی، به میزان 15 درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای داده های آزمون با استفاده از تجزیه مد تجربی در حالت مدل سازی زمانی مربوط به یک روز قبل با مقادیر 977/0=DC، 988/0=R و 017/0=RMSE به دست آمد. هم چنین در مدل سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودی های پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا می باشد.