پیش بینی تغییرات غلظت نیترات آب زیر زمینی با رویکرد AdaBoost
زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل‌های پیشرفته برای مدیریت کیفیت آب، تصمیم‌گیرندگان را تشویق کرده است که فناوری‌های هوش مصنوعی را در برنامه‌ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مد...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
Mashhad University of Medical Sciences,
2023-11-01T00:00:00Z.
|
| Subjects: | |
| Online Access: | Connect to this object online. |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل‌های پیشرفته برای مدیریت کیفیت آب، تصمیم‌گیرندگان را تشویق کرده است که فناوری‌های هوش مصنوعی را در برنامه‌ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مدل‌های AdaBoost (تقویت تطبیقی) بعنوان یکی از مدل های نوظهور در حیطه مدیریت کیفیت آب به پیش بینی غلظت نیترات در آب زیرزمینی با استفاده از هدایت الکتریکی، pH بپردازد.مواد و روشها: در این مطالعه ابتدا تحلیل همبستگی پیرسون انجام شد سپس با تعیین متغیر های ورودی مدل چندین مدل AdaBoost با هاپپر پارامترهای مختلف ساخته شد. سپس تحلیل حساسیت و وابستگی متغیر های ورودی مدل در پیش بینی نیترات ارزیابی شدند.یافته ها: نتایج مدل AdaBoostنشان داد که مقادیر ضریب R2 برای داده آموزش 0/915 و برای داده های تست 0/924 بودند. مقادیر MSE، RMSE، MAE، MAPE برای داده های آموزش به ترتیب 1/02، 1/01، 0/823 و 7/3درصد بدست آمد. این معیار ها برای داده های تست به ترتیب0/228، 0/477، 0/375 و3/2 درصد بودند. تحلیل حساسیت مدل، متغیر pH به عنوان مهمترین متغیر تاثیر گذار در پیش بینی نیترات معرفی کرد.نتیجه گیرى: تحلیل مدل نشان داد که روش پیشنهادی در پیش بینی غلظت نیترات عملکرد بالایی دارد. این روش پتانسیل ویژه برای پیاده‌سازی به عنوان یک سامانه هوشمند برای پیش‌بینی پارامترهای کیفیت آب را دارد. |
|---|---|
| Item Description: | 2423-5202 10.22038/jreh.2023.73330.1604 |