مقایسه عملکرد روش های یادگیری عمیق و یادگیری ماشین در پیشبینی میزان اکسیژن محلول

پیش بینی کیفیت آب نقش مهمی در پایش زیست -محیطی، پایداری اکوسیستم و آبزی پروری ایفا می کند. روش های پیش بینی سنتی نمی توانند غیر خطی و غیر ثابت بودن کیفیت آب را به خوبی نشان دهند. در مطالعه حاضر پارامتر کیفی اکسیژن محلول در آب با استفاده از روش های هوشمند ماشین بردار پشتیبان (SVM)، رگرسیون فرآیند گاوسی (GPR) و روش حافظه طولانی کوتاه-مدت (LSTM) بر روی سه ایستگاه متوالی بر روی رودخانه ساواناه واقع در ایالات متحده آمریکا مدل سازی شد. بدین منظور شش پارامتر هیدرولیکی و هیدرولوژیکی جریان شامل دمای آب، کدورت، دبی، میانگین سرعت جریان، pH و رسانایی ویژه در مدت هفت سال (2015-2021) به صورت روزانه به عنوان پارامترهای ورودی، جهت مدل سازی اکسیژن محلول به کار گرفته شدند. نتایج نشان دهنده برتری کامل روش یادگیری عمیق بر روش های یادگیری ماشین بود. با توجه به نتایج بدست آمده روش حافظه طولانی کوتاه-مدت برای مدل آخر که شامل تمامی پارامترها بود در ایستگاه سوم با دارا بودن ضریب همبستگی و ضریب تبیین و جذر میانگین مربعات خطا به ترتیب 981/0R= و 956/0DC= و 034/0RMSE= برای داده های آزمون از عملکرد بهتری برخوردار بود. در نهایت با انجام تحلیل حساسیت، با حذف پارامتر دمای آب، مشخص گردید معیارهای ارزیابی DC، به میزان 14% کاهش و RMSE، به میزان 100% افزایش داشت. بنابراین دمای آب به عنوان تاثیرگذارترین پارامتر در پیش بینی اکسیژن محلول در آب معرفی شد.