دنیا دزفولی سید محمد حسینی موغاری کیومرث ابراهیمی شهاب عراقینژاد

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 صفحات: 58-595 تعیین طبقهبندی کیفی آب بر اساس حداقل پارامترهای کیفی )مطالعۀ موردی: رودخانۀ کارون( 4 * دنیا دزفولی سید محمد حسینی موغاری کیومرث ابراهیمی شهاب عراقینژاد. دانشآموختۀ کارشناسی ارشد مهندسی منابع آب گروه آبیاری و آبادانی دانشگاه تهران کرج ایران. دانشجوی دکتری مهندسی منابع آب گروه آبیاری و آبادانی دانشگاه تهران کرج ایران. استاد گروه آبیاری و آبادانی دانشگاه تهران کرج ایران 4. دانشیار گروه آبیاری و آبادانی دانشگاه تهران کرج ایران )تاریخ دریافت: 95/9/0 تاریخ تصویب: 96/7/9( چکیده رودخانهها یکی از مهمترین منابع تأمین آب شیرین بهشمار میروند. محدودیت این منابع ضرورت حفظ کیفیت آنها را نشان میدهدد. بدهمنظدرر پایش کیفی منابع آب معمرال از شاخصهای کیفیت آب استفاده میشرد. هر کدام از این شاخص بر اساس پارامترهدای کیفدی مشی دی محاسدبه میشرند که فرآیند نمرنهبرداری و تعیین مقدار این پارامترها زمانبر و پرهزینه است لذا یافتن روشی دقیق که در آن با حداقل پارامترهدای کیفدی بتران طبقۀ کیفیت آب را تعیین کرد بسیار مفید است. در مقالۀ حاضر از مزایای شبکۀ ع بی احتمالی )PNN( بهعنران یک طبقهبندیکننده برای تعیین کیفیت آب رودخانۀ کارون بهعنران جایگزینی برای شاخص متداول و پرکاربرد NSFWQI استفاده شد. برای این منظرر از آمار کیفدی 7 نمرنه استفاده شد به این صررت که پارامترهای کیفی و کالسهای کیفیت آب حاصل از شاخص NSFWQI به ترتید بده عندران ورودی مددل و خروجی مدل در نظر گرفته شدند. جهت ارزیابی عملکرد مدل PNN از معیارهای ارزیابی نرخ خطا مقدار خطا دقت و ضری همبستگی اسپیرمن استفاده شد. نتایج نشان داد که PNN تنها با استفاده از سه پارامتر کیفی کدورت کلیفرم مدفرعی و کل مراد جامد میتراندد بدا دقدت %94/7 و %90/78 به ترتی در مرحلۀ آمرزش و آزمایش طبقه کیفی آب را مشیص کند که بیانگر دقت باالی PNN در تعیین طبقه کیفی آب میباشد. کلید واژگان: آب سطحی پارامترهای کیفی آب شاخص NSFWQI طبقهبندی کیفیت آب مدلسازی * نریسنده مسئرل شماره تماس: 98649+ ایمیل: ebrahimik@ut.ac.ir

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 584. مقدمه رودخانهها یکی از منابع مهم تأمین آب شدیرین بدرای م ددارش شددرب کشدداورزی خددانگی و آبزیددان هسددتند )04 al.,.)rahman et آلردگی آب ترسط آالیندههدای شدیمیایی فیزیکدی و بیرلدرریکی در تمدام دنیدا یکدی از چالشهای جدی مدیریت مندابع آب محسدرب مدیشدرد )0 al.,.)rasinezami et رشدد روز افدزون جمعیدت جهان م ارش گرناگرن آب را افزایش داده است. ایدن امدر نه تنها کمیت منابع آب در دسدترس را کداهش داده و بدا محدودیتهای بیشتری روبهرو کرده است بلکه بده دلیدل ترسعۀ شهرنشدینی و فعالیدتهدای صدنعتی و کشداورزی تغییر و تنزل کیفیت آبها را نیز به دنبال داشته اسدت. از آنجا که ایران از نظدر اقلیمدی و جغرافیدایی در منطقدهای خشک و نیمهخشک قرار گرفته است منابع آب در کشرر ما با محدودیت کلی رو بده رو هسدتند لدذا بدا ترجده بده کمبدرد آب و ترسدعۀ صدنعتی در ایدران برنامدهریدزی و رسیدگی جدی به کیفیت آب رودخانههدای کشدرر بدرای م ارش شرب کشاورزی و محیط زیسدت از حیداتیتدرین مرضرعاتی است که بایستی ترجه بسیاری به آن نمرد. ارزیدابی پارامترهدای کیفدی آب بدرای برنامدهریدزی و ترسددددعۀ بهتددددر مدددددیریت منددددابع آب الزم اسددددت )05 al.,.)walker et به منظدرر ارزیدابی کیفیدت آب تکنیددکهددای بسددیاری معرفددی شدددهانددد کدده یکددی از متداولتدرین روشهدای ارزیدابی کیفیدت آب اسدتفاده از شاخصهای کیفی آب )WQI( است. این روشهای ساده به دور از پیچیدگیهای ریاضی و آماری میترانند شدرایط کیفی آب را بیان کنند. در این روش حجم زیاد اطالعدات حاصل از اندازهگیری کیفی آب به صررت یک عدد منفدرد و بدون بعد تبدیل شده که در مقیاس درجهبندی شدهای دارای مفهرم و تفسدیر کیفدی تعریدد شددهای مدیگدردد )0 al.,.)abbasi et اولدین شداخص کیفیدت آب در سال 965 ترسط هررتن ارائه شد )965.)Horton, این شاخص با ارائۀ یک روش ریاضی ساده ع ری جدید را در مطالعدات کیفیدت آب رقدم زد. برخدی از متدداولتدرین شاخصهای کیفیت آب عبارتند از: NSFWQI )شداخص کیفیت آب سازمان بهداشت ملی ایاالت متحدد آمریکدا( 4 BCWQI کیفیدددت آب ارگدددان( )شددداخص OWQI )شاخص کیفیت آب بدریتیش کلمبیدا( و CCME-WQI 5 )شاخص کیفیدت آب کاندادایی(. ساختار ریاضی ویژ خدرد را داشدته و نحدر هریدک از ایدن روشهدا رسدیدن بده ضرای وزنی و مشی ههای کیفی در آنها متفاوت است. در این روشها برای تعیین طبقهبندی کیفدی آب وجدرد تمامی پارامترهای در نظر گرفته شده الزم است کده ایدن امر مرج افزایش هزیندههدای نمرندهبدرداری و طدرالنی شدن محاسبات شده است. از اینرو استفاده از روشهدای یادگیری ماشین یکی از راهکارهای پیشرو بدرای کداهش هزینههای نمرنهبرداری و آزمایشگاهی است و این امکدان را فراهم میسازد تا در مددت زمدان کدم و بدا اسدتفاده از تعدداد پدارامتر کمتدری طبقدۀ کیفدی آب تعیدین شدرد. روشهای یادگیری ماشین بده منظدرر طبقدهبنددی یدک ارتباط ریاضی بین مجمرعهای از متغیرهای ترصدیفی )بده عنران مثال اندازهگیریهای شیمیایی( و یک متغیر کیفی )به عنران مثال عضریت در یک دستهبندی تعرید شدده( را پیدا میکنند )05.)Sakizadeh, پژوهشهای زیادی در سدط جهدان و ایدران در ایدن زمینه انجام شده است که در ادامه به برخی از آنها اشاره مدیشدرد. Asgari و )007( Kerachian بدا اسدتفاده از 6 ماشینهای بردار پشتیبان (SVM) پهنهبندی کیفدی آب رودخاندۀ کدارون-دز را بررسدی کردندد. نتدایج تحقیقدات ایشان بیانگر آن است که روش پیشدنهاد شدده مدیتراندد اطالعات با ارزشی برای پشتیبانی از ت میمگیری و کمک بده مددیریت کیفدی آب ارائده کندد. Sattari و همکداران )04( با استفاده از روش درخت ت میم به پدیشبیندی Water Quality Index National Sanitation Foundation Water Quality Index Oregon Water Quality Index 4 British Columbia Water Quality Index 5 Canadian Council of Ministers of Environment Water Quality Index 6 Support Vector Machine

585 تعیین طبقه بندی کیفی آب بر اساس حداقل پارامترهای کیفی... کیفیت برخی از رودخانههای واقع در دامندههدای جندربی کره سهند پرداختندد. نتدایج ایشدان نشدان داد کده روش ت میمگیری درختی قادر است با استفاده ازچهار پدارامتر هدایت الکتریکی )EC( مجمرع کاتیرنها نسدبت جدذب سدیم )SAR( و کل مدراد جامدد محلدرل )TDS( کدالس کیفیت آب را بدا دقدت بداالیی تیمدین بزندد. Towler و همکاران )009( با اسدتفاده از روش KNN کیفیدت آب را شبیهسازی کردند. نتدایج ایدن پدژوهش نشدان داد کده روش مررد اسدتفاده در عدین سدادگی و انعطداشپدذیری ترانایی بداالیی در تشدییص صدحی نمرنهه یا کیفیدت بسدیاری از مررد بررسی داشدته اسدت. Singh و همکداران )0( با استفاده از مدلهای SVM و رگرسدیرن بدردار پشتیبان )SVR( به مددیریت کیفیدت آبهدای سدطحی پرداختند. در ایدن مطالعده طبقدهبنددی مکدانی و زمدانی 500 نمرنه به گدروههدای مشدابه از نظدر کیفیدت آب و ترسعۀ یک مدل SVR مناس برای پیشبینی BOD بدا اسدتفاده از مجمرعدهای از متغیرهدا انجدام گرفدت. نتدایج تحقیقات ایشان نشدان داد کده در طراحدی مجددد مددل پایش SVR نیداز بده دادههدای کمتدری در حددود 9/5 درصد داده ه یا قبل دارد. همچنین ایشدان بیدان کردندد مدل SVR یک ابزار مناسد بدرای پدیشبیندی BOD بدا استفاده از چند متغیر قابل اندازهگیری اسدت. Modaresi و )04( Araghinejad با استفاده از سده مددل شدامل 4 شدبکۀ ع دبی احتمداالتی )PNN( KNN و SVM بدده طبقدهبنددی کیفیدت آب آبیدران تهدران بدا اسدتفاده از اطالعات 00 چاه مشاهدهای پرداختند. در ایدن تحقیدق ابتدا با استفاده از شاخص کیفیت آب کاندادایی )CCME( کیفیت آب در 00 چاه مشاهدهای در آبیران تهدران بدر اساس دو پارامتر کلر و نیترات در سه کالس عالی بسدیار بد و بد طبقهبندی شدند. ایشان با استفاده از دو معیار ارزیابی عملکرد نرخ خطا 6 5 )ER( و مقدار خطا )EV( کارایی مدلهای ذکر شدده را بررسدی کردندد. نتدایج نشدان داد کده SVM در مراحدل واسنجی و اعتبدار سدنجی بهتدرین و الگدرریتم KNN بدا بیشترین مقدار خطا ضعیدترین عملکرد را داشدته اسدت. Sharma و همکاران )04( تغییرات در شاخص کیفیت آب رودخانۀ گنگ را در مکانهای میتلد اهللآباد بررسدی کردند. نتایج ایشان نشان داد کده WQI یدک ابدزار مفیدد بدرای ارزیدابی کیفیدت آب و پدیشبیندی روندد تغییدر در کیفیت آب در مکانهای میتلدد رودخاندۀ گندگ اسدت. )05( Sakizadeh بدده ارزیددابی عملکددرد روشهددای طبقدهبنددی در مطالعدات کیفیدت آب پرداخدت. در ایدن 7 تحقیق عملکرد روشهای طبقهبنددی تفکیدک خطدی و 8 نایر بیز در نه ایستگاه نمرنهبرداری رودخانۀ کرج ایران به کار برده شد. نتایج این تحقیق نشان داد که روش تفکیک خطی در مقایسه با روش طبقهبندی ندایر بیدز از عملکدرد بهتری در تعیدین طبقدهبنددی کیفدی آب ایدن رودخانده 87654 برخرردار است. بدا ترجده بده اهمیدت کیفیدت آب بدهعندران یکدی از معیارهددای اصددلی در برنامددهریددزی منددابع آب بررسددی طبقهبندی کیفی آب و تعیدین پارامترهدای تأثیرگدذار در طبقهبندی کیفیت آب رودخانه میتراند کمک شایانی بده ت میمگیرندگان در مدیریت کیفی آب رودخانهها کند. از طرفی استفاده از روشهای متداول و مرسرم شاخصهدای کیفی آب برای ارزیابی و پایش کیفیدت آبهدای سدطحی پرهزینه و زمانبر اسدت از ایدنرو اسدتفاده از شدیرههدای مدلسازی مبتنی بر روشهای داده مبنا مانند PNN یک ابزار قدرتمند برای غلبه بر این چالشها و شتاب بیشیدن به پاسخ ت میمگیرندگان در مراجه شددن بدا مشدکالت و محدودیتها است. در مقالدۀ حاضدر بدا اسدتفاده از مددل PNN رویکدردی جدیدد بدرای طبقدهبنددی کیفدی آب پیشنهاد شده است تا بتران با حدداقل پارامترهدای کیفدی طبقۀ کیفیدت آب را تعیدین کدرد. اسدتفاده از ایدن روش K-Nearest Neighbor Support Vector Regression Biochemical Oxygen Demand 4 Probabilistic Neural Network 5 Error Rate 6 Error Value 7 Discriminant Analysis 8 Naïve Bayesian Classification

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 586 باعدک کداهش قابدل ترجده هزیندههدای نمرندهبدرداری و آزمایشدگاهی شدده و ایدن امکدان را بدرای کارشناسدان و محققان فراهم میسازد تا در مددت زمدان کرتداه و تعدداد پارامتر کیفی کمتری طبقۀ کیفیت آب را تعیدین نمایندد. بدین منظرر در پدژوهش حاضدر در کندار مددل PNN از شاخص NSFWQI در تعیین طبقۀ کیفیدت آب رودخاندۀ کارون استفاده شد و نتایج مررد بررسی قرار گرفت.. مواد و روشها.. معرفی منطقۀ مورد مطالعه استان خرزستان در جنرب غربدی ایدران بدا مسداحتی حددود 646 کیلددرمترمربددع در کندار خلددیجفددارس و اروندرود قرار دارد. در حال حاضر حجدم بسدیار بداالیی از زهآب کشاورزی و فاضالب صنعتی به ویژه فاضالب صنایع سلرلزی و غذایی به این محیطهای آبی تیلیه مدیگدردد. لذا این امر مرج میشرد که نه تنهدا کیفیدت آب شدرب بلکه حتی کیفیت آب برای م ارش کشداورزی و صدنعتی نیز با مشکالت جددی مراجده گدردد. در ایدن تحقیدق بده منظرر طبقهبندی کیفیت آب این رودخانه از آمار کیفدی 7 نمرنۀ آب )در باز زمانی سالهای 86 تدا 9( در ایستگاههای گترند عرب اسد شرشتر زرگدان اهدراز مالثدانی کدرت امیدر و دارخدرین اسدتفاده شدده اسدت. مشی ددات ایددن ایسددتگاههددا در جدددول و مرقعیددت جغرافیایی آنها در شکل ارائه شده است. جدول. موقعیت ایستگاههای مورد مطالعه عرض جغرافیایی طول جغرافیایی ایستگاه نام رودخانه 56ʺ 4ʹ 49ʹ 48 گتوند کارون 45ʺ 5ʹ 50ʺ 5ʹ 48 عرباسد شطیط 55ʺ 0ʹ 00ʺ 5ʹ 48 شوشتر گرگر 6ʺ ʹ 4ʺ 45ʹ 48 زرگان کارون 6ʺ 0ʹ 4ʺ 4ʹ 48 اهواز کارون 0ʺ 5ʹ 40ʺ 5ʹ 48 مالثانی کارون 54ʺ ʹ 6ʺ 6ʹ 48 کوت امیر کارون 0ʺ 45ʹ 0 8ʺ 5ʹ 48 دارخوین کارون شکل ( موقعیت رودخانۀ کارون و ایستگاههای مورد مطالعه

587 تعیین طبقه بندی کیفی آب بر اساس حداقل پارامترهای کیفی..... شاخص NSFWQI در سال 970 با حمایت بهداشت ملی آمریکا بدراون و همکداران یدک شداخص کیفدی کاهشدی را بدر اسداس نظرسددنجی از تعددداد زیددادی از افددراد متی ددص بددا تی ددصهددای گرندداگرن در ایددن زمیندده ارائدده کردنددد (970 el.,.)brown at آنها در ابتدا حدود 5 پارامتر را معرفی کرده و سپس بر اساس نظر افراد متی دص حددود نه پارامتر را برای ایجاد شاخص اصدلی انتیداب کردندد کده شامل پارامترهای زیر است: اکسدیژنخدراهی بیرشدیمیایی )BOD5( اکسددیژن محلددرل )DO( کلیفددرم مدددفرعی نیترات خاصیت اسیدی )ph( دما کل مدراد جامدد )TS( فسددفات کددل کدددورت ( 976; al., Landwehr et al., 97.)Brown et پس از اندازهگیری مشی دههدای فرق زیر شاخص هدر یدک از آنهدا از روی منحندیهدای تبدیل به دست میآید که با اسدتفاده از ایدن منحندیهدا پارامترها به معیارهای 0-00 تبدیل مدیشدرند. در ایدن روش بد رای محاسددبۀ شدداخص نهدایی هددر یددک از زیددر شاخصهای به دسدت آمدده از منحندیهدای مربرطده در فاکترر وزنی خرد ضرب شده و از حاصل جمع آنها طبدق رابطدۀ شداخص نهدایی بده دسدت مدیآیدد. جددول فاکتررهدای وزندی بده کدار رفتده بدرای هدر پدارامتر را در شاخص NSFWQI نشان میدهد. در نهایدت شداخص بده دست آمده بر اساس جدول به صررت کیفی طبقهبندی میشرد 0( al.,.)abbasi et )( که در این رابطه = Ii زیر شداخص iام و = Wi ضدری وزنی زیر شاخص iام است. NSFWQI W ii i فاکتورهای وزنی به کار رفته در شاخص NSFWQI پارامترها فاکترر وزنی جدول. ردهبندی کیفی آب براساس مقادیر شاخص NSFWQI کدورت 0/08 0/ BOD 0/7 DO کلیفرم مدفرعی 0/6 نیترات 0/ 0/ ph درجه حرارت 0/ شاخص محاسبه شده وضعیت کیفیت آب 9-00 عالی 7-90 خرب 5-70 مترسط 6-50 بد 0-5 بسیار بد 0/07 TS فسفات 0/ جدول... شبکههای عصبی احتمالی )PNN( شبکههای ع دبی م دنرعی بدرای اولدین بدار ترسدط اسپیچت معرفی شدند )990.)Specht, اینگرنه شبکهها بدرای حدل مسدائل پیچیدده همچدرن بدرآورد )تقرید ( تشییص الگر و طبقهبندی به کار میروند. در این روش از یادگیری نظارتی به منظرر ایجاد تابعهای ترزیدع در الیدۀ الگر استفاده میشرد. از این ترابع بدرای تیمدین احتمدال بد ردار ویژگددی ورودی بدده عنددران بیشددی از کددالس یددا طبقددهبندددی یدداد گرفتدده شددده اسددتفاده مددیشددرد 04( Araghinejad,.)Modaresi & شبکههای ع دبی احتمدالی الگرهدا را براسداس اسدتراتژی بیدزی و تیمدین زنندههای غیرپارامتریک ترابع چگالی احتمال طبقهبنددی مدیکنندد و از جملده روشهدای هسدتند کده مبتندی بدر الگرهددای آمدداری مرجددرد در داده عمددل مددیکننددد )995.)Masters, استراتژی بیزی به مجمرعهای از قراعد و استراتژیهایی اتالق میشرد که به منظرر طبقدهبنددی

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 588 الگرهدا از کمینده کدردن ریسدک مدررد انتظدار اسدتفاده میکنند )005 al.,.)kim et یدک تکنیدک طبقدهبنددی الگددر در حالددت کلددی بددا اسددتفاده از یددک مجمرعدده از ورودیهای n بعدی به ت میمگیری در مررد تعلدق یدک مشدداهده بدده یددک دسددته خددا مددیپددردازد. قاعددد ت میمگیری بیزی برای طبقهبندی یک الگدری مشدیص )x( و تعلق آن به یک طبقۀ خا )( به قسمی که به کالس iام عبارت است از: x c if r h l f ( x) h l f ( x) r r for s, s r r q r s s s l i h i ضرر متناظر با تعلق اشدتباه الگدری x یک احتمال اولیه از تعلدق الگدری x بده f i تابع چگالی احتمدال کدالس iام بدرای کالس iام و (x) ورودی x است 0( al.,.)khashei et ساختار شبکههدای ع دبی احتمدالی در حالدت کلدی شامل چهار الیه است. یک الیۀ ورودی و سه الیۀ پردازش اطالعات که شامل الیۀ الگدر الیدۀ کدالسبنددی و الیدۀ خروجی است. ندررونهدای الیدۀ ورودی برابدر بدا تعدداد فاکتررهای ورودی است. نررونهای این الیه صرفا وظیفدۀ انتقال مقادیر ورودی به تمام ندررونهدای الیدۀ دوم را بدر عهده داشته و هیچگرنده پردازشدی در ایدن الیده صدررت نمیگیرد )008 al.,.)yang et در الیۀ الگدر تعدداد کدل نررونها برابر با مجمرع تعداد نررونهای استفاده شده برای نشان دادن الگرها در هر کالس هستند. هر کالس میتراندد شامل تعداد زیادی الگدری آمرزشدی )بردارهدای آمرزشدی( باشد که تعداد آن برابر بدا فاکتررهدای ورودی اسدت. تدابع فعالسازی در الیۀ الگر را میتدران از برخدی ترابدع چگدالی کرنل انتیاب کرد اما غالبا از کرنل گرسی استفاده میشدرد. در الیۀ جمعبندی تعداد نررونها برابر با تعداد کالسدههدا است. عالوه بر این تابع فعالسازی در این الیده یدک تدابع وزندار ساده است. در نهایت در الیدۀ خروجدی تنهدا یدک نررون وجرد دارد که کدالس و طبقدۀ ورودی مدررد نظدر را مشددددیص مددددیکنددددد 00;( al., Chen et رابطدۀ مثدالی از اسدتفاد مشاهد است: )( کرندل گرسدی بدرای هدر متغیر ت ادفی به منظرر تیمین تدابع تدراکم آن T n ( X X i i, k ) ( X X i, k ) f i ( x) p e ni k ( ) P در این معادلده x بدردار ورودی k تعدداد متغیرهدای مرجرد در بردار ورودی در کدالس iام n i X i,k تعداد الگرهای آمرزشی مرجرد kامدین الگدری آمرزشدی مرجددرد در کالس iام و σ پدارامتر همرارسدازی اسدت. تدابع چگدالی احتمال فرقالدذکر بدا بده کدارگیری روش تقرید پدارزن مستقیما از مجمرعۀ دادههای آمرزشدی بدرآورد مدیشدرد 99( Wasserman, PNN.)Cacoullos, 966; یدک الگددرریتم نظددارتی اسددت لددذا پددیش از اسددتفاده بددرای طبقهبندی نیاز به آمرزش دارد. در مرحلۀ صدحتسدنجی پدارامتر همرارسدازی بایدد بدا اسدتفاده از سدعی و خطدا مشدیص شدرد تدا خطاهدای طبقدهبنددی در بردارهدای آمرزشی کاهش یابد. 4.. مدلسازی جهت تعیین طبقهبندی کیفیت آب به منظرر مدلسازی تعیین طبقۀ کیفدی آب ترسدط PNNابتدا یک مجمرعه از 7 نمرنۀ آب و طبقدۀ کیفدی آنها به عنران ورودی و خروجیهای مدل تعیین شد بده این صررت که پارامترهای کیفی به عنران ورودی مددل و کدالسهدای کیفیدت آب حاصدل از شداخص NSFWQI خروجدی مددل در نظدر گرفتده شددند. %5 از مجمرعدۀ دادههای ورودی و خروجی به عندران دادههدای مجمرعدۀ 5 4 آزمایش و بقیده بده عندران مجمرعدۀ آمدرزش انتیداب گردید. آمرزش شبکه بدا اسدتفاده از دادههدای آمدرزش و کالسهای تعیین شده برای هر نمرنده انجدام شدد. بدرای Pattern Layer Input Layer Summation Layer 4 Testing set 5 Training set.)modaresi & Araghinejad, 04

589 تعیین طبقه بندی کیفی آب بر اساس حداقل پارامترهای کیفی... جلرگیری از بیشبرازش مدل از صحتسنجی متقداطع استفاده گردید. در فرآیند صحتسنجی متقاطع در هربدار اجرای مدل با یک پارامتر مشیص یدک داده از مجمرعدۀ آمرزش به عنران داد صحتسنجی کنار گذاشته میشدرد و مدل براساس دادههای بداقیماندده آمدرزش مدیبیندد سدپس داد برگردانده میشرد و داد عنران داد کندار گذاشدته شدده بده مجمرعدۀ آمدرزش دیگری از دادههدای آمدرزش بده صحتسنجی کنار گذاشته میشرد و بار دیگدر شبکه آمرزش داده میشرد. این فرآیند تا زمانی که تمدام دادههای آمرزش در قسمت صحتسنجی اسدتفاده شدرند ادامه مییابد. پس از آن بر اساس میدانگین خطدای مددل در تیمین دادههای صحتسنجی پارامتر مناسد شدبکه تعیدین مدیشددرد. در ایددن مرحلدده پدارامتر پهندا کدده تعیینکنند پارامتر σ در الگرریتم PNN اسدت مشدیص مدیشدرد 005( al.,.)rumpf et al., 00; Xue et مقدار بهینۀ این پارامتر نقشی مهمی در عملکرد الگدرریتم PNN و جلدرگیری از بدیشبدرازش دارد. در ایدن تحقیدق مقدار بهیندۀ ای د ن پ دار ا مت ر ب دا س د عی و خط دا و ب د ر ا س دا س صحتسنجی متقاطع برابر 50 بهدست آمد. 5.. معیارهای ارزیابی مدل بددرای ارزیددابی کددارایی الگددرریتم PNN از معیارهددای 4 ارزیابی نرخ خطا )ER( مقدار خطا )EV( دقدت )Acc( و 5 ضددری همبسددتگی اسددپیرمن در دو مرحلددۀ آمددرزش و آزمایش استفاده شد. نرخ خطا نشاندهند تعداد دادههدایی است که بده اشدتباه طبقدهبنددی شددهاندد و مقددار خطدا نشاندهند مقدار خطای دستهبندی در دادههایی است که به اشتباه دستهبندی شدهاند. روشن است کده مقددار صدفر این دو معیار بیانگر عدم وجرد خطا در طبقهبندی و مقادیر بزرگتر از صفر وجرد خطا در طبقهبندی را نشان مدیدهدد. دقت نیز نشاندهند تعداد پیشبیندیهدای درسدت اسدت. این معیارها به صررت زیر تعرید میشرند: a ER 00 a b b Acc 00 a b )4( (5( )6( )7( در روابط باال a تعداد کالسهای نادرست پدیشبیندی شدده و b تعدداد کدالسهدای درسدت پدیشبیندی شدده اسدت. Class O کدالس کیفدی مشداهده شدده و Class S کالس کیفی شبیهسدازی شدده n تعدداد دادههدا و اختالش بین رتبههای دو متغیر است. d i 6.. تعیین پارامترهای تأثیرگذار در طبقههبنهدی کیفی آب به منظرر تعیین پارامترهای تأثیرگذار در طبقدهبنددی آب رودخانه با استفاده از مدل PNN ابتدا در هر مرحلده هر یک از نه پارامتر در نظر گرفتده شدده حدذش شددند و تأثیر حذش هر پارامتر بر روندد تعیدین طبقدۀ کیفدی آب بررسی شد. برای بررسی دقیقتدر مددل ترکید دوتدایی پارامترها سهتایی و... آنها حذش شدند و عملکدرد مددل با استفاده از معیارهای ارزیابی مررد بررسدی قدرار گرفدت. در ادامه نتایج حاصل شده گزارش شدهاند. EV ( class class ) R o 6( n( n d i ) ) S. نتایج همانطرر کده پدیش از ایدن تشدری شدد در تحقیدق حاضدر عملکدرد الگدرریتم PNN در تعیدین طبقدهبنددی کیفیت آب در مقایسه با شاخص NSFWQI مررد ارزیابی قرار گرفت. برای این منظرر ابتددا بدا اسدتفاده از شداخص Over Training Cross Validation Spread 4 Accuracy 5 Spearman correlation coefficient

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 590 NSFWQI طبقهبندی کیفی نمرندههدای مدررد بررسدی انجام گرفت. نتایج به دست آمده نشان داد که نمرنهها در سه کالس کیفی خرب بد و مترسط قرار گرفتند. شکل طبقهبندی نمرنههای مررد بررسی را بدر اسداس شداخص NSFWQI نشان میدهد. NSFWQI خوب متوسط بد مقادیر شاخص ن ونههای اندازهگیری شده شکل ( طبقهبندی دادههای مشاهداتی بر اساس شاخص NSFWQI شکل نتایج حاصل از طبقدهبنددی کیفدی آب را بدا استفاده از مدل PNN در مرحلۀ آمرزش و آزمایش نشدان میدهد. در این الگرریتم طبقۀ یک دو و سده بده ترتید بیانگر طبقۀ کیفی خرب مترسط و بد هسدتند. از 9 و 4 دادهای که به ترتی برای مرحلۀ آمدرزش و آزمدایش در نظر گرفته شدند 7 و 4 نمرنه با یک اختالش کالس به اشتباه طبقهبندی شدهاند لذا مقدار خطدا برابدر 7 و 4 در مراحل آمرزش و آزمایش محاسبه شد. ضری همبسدتگی محاسبه شده بین کالس کیفی مشاهداتی و کالس کیفدی محاسبه شده در مراحل آمرزش و آزمایش به ترتی با 0/85 و 0/77 حاصل شد که نشداندهندد برابدر همبسدتگی باال بین کالس مشاهداتی و کالس محاسدبه شدده ترسدط PNN است. نتایج حاصل از معیارهای ارزیدابی بیدانگر آن است که PNN در مرحلۀ آمرزش و آزمایش بده ترتید دقت از 94/57 درصد و 90/70 درصدد برخدرردار اسدت کده بیانگر عملکرد خرب الگرریتم در تعیین کالسهای کیفدی آب است. به طرر خالصه نتایج حاصل از ارزیابی مددل در مراحل آمرزش و آزمایش در جدول 4 آورده شده است. به منظرر تعیین پارامترهای تأثیرگذار در طبقدهبنددی آب رودخانه با استفاده از PNN ابتدا در هدر مرحلده هدر یک از نه پارامتر در نظر گرفته شده حذش شددند و تدأثیر حذش هر پارامتر بر روند پیشبینی طبقهبندی آب بررسی شد. جدول 5 نتایج حاصل از حذش تک پارامترها را نشان میدهد. همانطرر که مشیص است با حذش پارامترهدای کدورت و کل مدراد جامدد معیدار ارزیدابی ندرخ خطدا در مرحلۀ آمرزش از 5/4 درصدد بده 7/75 درصدد افدزایش یافته و دقت طبقهبندی از 94/57 درصد به 9/5 درصد کاهش یافته است. حدذش پدارامتر کلیفدرم مددفرعی نیدز باعک ایجاد خطای زیادی در طبقهبندی شد به طرری که درصد نرخ خطا در مراحل آمرزش و آزمایش به ترتی بده مقدادیر 7/8 درصدد و /6 درصدد افدزایش یافتده و دقت طبقهبنددی بده 8/7 درصدد و 76/74 درصدد بده ترتی در مراحل آمرزش و آزمایش کداهش یافتده اسدت. همچنین حذش این پارامتر باعک شده که و 0 نمرنه از 9 و 4 نمرنه در نظدر گرفتده شدده بدرای آمدرزش آزمایش با یک اختالش کالس به اشتباه طبقهبندی شرند. برای بررسی دقیقتر الگرریتم ترکی دوتایی پارامترهدا و بعد از آن ترکی سهتایی و... آنها حذش شدند.

59 تعیین طبقه بندی کیفی آب بر اساس حداقل پارامترهای کیفی... الف) ) کالس کیفی مشاهداتی کالس کیفی ت ینی کالسهای کیفی آب ن ونههای اندازهگیری شده ب) ) کالس کیفی مشاهداتی کالس کیفی ت ینی کالسهای کیفی آب ن ونههای اندازهگیری شده شکل. نتایج حاصل از طبقهبندی کیفی آب با استفاده از PNN )الف( مرحلۀ آموزش )ب( مرحلۀ آزمایش جدول. نتایج حاصل از معیارهای ارزیابی در مرحلۀ آموزش و آزمایش PNN ضریب همبستگی نرخ خطا)%( مقدار خطا دقت)%( آموزش آزمایش آموزش آزمایش آموزش آزمایش آموزش آزمایش 90/70 94/57 4 7 9/0 5/4 0/77 0/85 جدول. نتایج حاصل از حذف یک پارامتر بر روند تعیین طبقهبندی کیفیت آب با استفاده از الگوریتم PNN دقت)%( مقدار خطا نرخ خطا)%( پارامتر حذف شده آزمایش آموزش آزمایش آموزش آزمایش آموزش 90/70 94/57 4 7 9/0 5/4 ph 90/70 9/5 4 0 9/0 7/75 کدورت 90/70 94/57 4 7 9/0 5/4 فسفات 90/70 94/57 4 7 9/0 5/4 دما 90/70 94/57 4 7 9/0 5/4 BOD 90/70 94/57 4 7 9/0 5/4 DO 90/70 94/57 4 7 9/0 5/4 نیترات 76/74 8/7 0 /6 7/8 کلیفرم مدفوعی 90/70 9/5 4 0 9/0 7/75 کل مواد جامد

محیط زیست طبیعی مجله منابع طبیعی ایران دوره 70 شماره پاییز 96 59 پارامترهددای ph فسددفات دمددا DO BOD و نیتددرات عملکرد مدل به ترتی در مراحدل آمدرزش و آزمدایش بدا نرخ خطای 5/4 درصد و 9/0 درصد مقدار خطدای 7 و 0 و دقددت 94/57 درصددد و 90/70 درصددد در تعیددین کالس کیفی آب تغییر نکرده است. جددول 6 نتدایج عملکدرد PNN را از حدذش ترکیبدی تعدادی از پارامترها نشدان مدیدهدد. مقایسدۀ معیارهدای ارزیابی به دست آمده از حذش پارامترهای کیفی میتلدد بیانگر آن است که تنها پارامترهای کلیفرم مددفرعی کدل مراد جامد و کدورت در تعیدین طبقدهبنددی کیفیدت آب مؤثرند. همانطرر که در جدول 6 مشیص است با حدذش جدول. نتایج حاصل از حذف چند پارامتر بر روند تعیین طبقهبندی کیفیت آب با استفاده از الگوریتم PNN دقت )%( مقدار خطا نرخ خطا )%( پارامتر حذف شده آزمایش آموزش آزمایش آموزش آزمایش آموزش 90/70 9/5 4 0 9/0 7/75 کدورت و ph 79/07 80/6 9 5 9/8 0/9 کدورت و کلیفرم مدفوعی 90/70 94/57 4 7 9/0 5/4 فسفات و DO 90/70 94/57 4 7 9/0 5/4 دما و BOD 76/74 8/7 0 /6 7/8 کلیفرم مدفوعی و کل مواد جامد 90/70 94/57 4 7 9/0 5/4 DO و نیترات 90/70 9/5 4 0 9/0 7/75 کدورت فسفات و ph 90/70 89/9 4 9/0 0/08 کدورت BO D و کل مواد جامد 76/74 8/7 0 /6 7/8 کلیفرم مدفوعی دما و DO 90/70 94/57 4 7 9/0 5/4 نیترات DO BO D فسفات دما ph نتایج حاصدل از حدذش پارامترهدای کیفدی آب نشدان میدهد حذش پارامترهای کدورت و کل مراد جامدد /46 درصد دقت طبقهبنددی را کداهش داده اسدت. همچندین حذش پارامتر کلیفرم مدفرعی باعک شده دقت بده ترتید در مراحدل آمدرزش و آزمدایش / درصدد و 8/85 درصدد کداهش یابدد بندابراین پدارامتر کلیفدرم مددفرعی مؤثرترین پدارامتر در مشدیص کدردن کدالس کیفدی آب تعیین شد زیرا با حدذش ایدن پدارامتر خطدای زیدادی در طبقدهبنددی کیفدی آب ایجداد شدد. بدا ترجده بده اینکده هزینههای ساالنۀ پایش در تعیین پارامترهدای کیفدی آب امدری مهدم و درخدرر ترجده اسدت PNN قدادر اسدت بدا استفاده از سه پارامتر کیفی کددورت کدل مدراد جامدد و کلیفرم مدفرعی طبقهبندی کیفی آب را تعیین کندد لدذا ترصیه میشرد که برای مشیص کردن طبقدۀ کیفدی آب پارامترهای کلیفرم مدفرعی کل مراد جامدد و کددورت را هر ماه اندازهگیری کنند و سایر پارامترهدا هدر چندد مداه یکبار اندازهگیری شرند. به طرر کلدی نتدایج نشدان داد کده اسدتفاده از PNN روش مناسبی برای جایگزینی شداخصهدای کیفیدت آب جهت طبقهبندی کیفی آب و ارزیدابی پارامترهدای کیفدی آب است. همانطرر که پیش از این گفته شد PNN یدک مدل نظارت شده است که از مهمتدرین ویژگدیهدای ایدن مدلها این است که انداز شبکه مررد نیاز و ندرخ خطدای طبقدهبنددی بده طدرر مسدتقیم در روندد سداختار شدبکه گنجانیده شده است در نتیجه الگرریتم پیشنهادی اغلد دارای یک ساختار شبکۀ کرچک و دقت طبقهبنددی قابدل قبرل است 000( al.,.)mao et

59 تعیین طبقه بندی کیفی آب بر اساس حداقل پارامترهای کیفی... 4. بحث و نتیجهگیری در این تحقیق به بررسدی و ارزیدابی کیفیدت آبهدای سطحی مربرط به 7 نمرنۀ آب رودخانۀ کارون در هشدت ایسدتگاه بدا اسدتفاده از شداخص NSFWQI و مددل PNN پرداخته شد. تعیین طبقدهبنددی کیفدی آب بدا اسدتفاده از شاخصهای کیفی آب هزینهبر و زمانبر است از ایدنرو در این مطالعه استفاده از مدل PNN به عنران یک جدایگزین برای شاخصهای سنتی کیفیت آب به کار گرفتده شدد. در این مدل میتران با استفاده از حدداقل پارامترهدای کیفدی طبقۀ کیفی آب را مشیص کرد. نتایج پایش کیفی نمرنهها با استفاده از شاخص NSFWQI بیانگر آن برد که نمرنههدا در سه طبقۀ خرب بد و مترسط قرار دارندد. بدرای آمدرزش مدل PNN ترکی میتلد پدارامترهدای کیفدی بده عندران ورودی و نتیجۀ طبقۀ کیفی حاصدل از شداخص NSFWQI به عندران خروجدی اسدتفاده شدد. در مقایسده بدا شداخص NSFWQI الگرریتم PNN تنها با استفاده از سده پدارامتر کیفی کدورت کلیفرم مدفرعی و کل مدراد جامدد بدا دقدت %94/57 و %90/70 در مراحل آمرزش و آزمدایش عملکدرد قابل قبرلی را در تعیین طبقدهبنددی کیفدی آب نشدان داد. مقایسۀ نتایج این تحقیق بدا سدایر تحقیقدات نشداندهندد سازگاری نتایج تحقیق حاضر با تحقیقهای پیشدین اسدت. برای مثال Xue و همکاران )005( در پژوهش خرد بدرای طبقهبندی ترکیبات فعال در گیاهان دارویدی نشدان دادندد که به دلیل اینکه PNN تنها یک پارامتر قابل تنظدیم دارد ساختاری سادهتر و سریعتر در مقایسه با شبکههای ع دبی با انتشار به عق پرداختند بده ایدن نتیجده رسدیدند کده از میدان نده روش طبقهبندی میتلد در نظر گرفته شده مدل PNN بهتدرین نتددایج را ارائدده کددرده اسددت. Modaresi و Araghinejad )04( در تحقیق خرد نشدان دادندد کده الگدرریتم PNN یک روش طبقهبندی مناس با آمرزش سریع برای ارزیدابی کیفیددددت آب اسددددت. Khaki و همکدددداران )05( در شبیهسدازی پارامترهدای TDS و EC بدا اسدتفاده از سدایر مقادیر پارامترهدای کیفدی آب ترسدط شدبکههدای ع دبی م نرعی )ANN( و سیستم فازی- ع دبی نشدان دادندد که رویکردهای هرش م نرعی و سیستمهای فازی-ع دبی قدادر بده تفسدیر رفتد ار پارامترهد ای کیفدی آب هسدتند. Sakizadeh و )06( Mirzaei بددا اسددتفاده از دو مدددل SVM و KNN در طبقددهبندددی آب زیرزمینددی آبیددران خرزستان به این نتیجه رسیدند کده پارامترهدای نیتدرات و کلسیم تأثیرگدذارترین پارامترهدا در طبقدهبنددی هسدتند. نتایج تحقیق حاضدر نیدز مانندد مطالعدات گذشدته تراندایی روشه یا دادهمبنا را در طبقهبندی و پدیشبیندی کیفیدت آ ب نشان میدهد. بر این اساس که نتایج در تمام تحقیقات مناس برده است میتران بیان کرد که طبقهبندی کیفدی آب با استفاده از این روشها مسدئله پیچیددهای محسدرب این نمیشرد و مدلهدا بده راحتدی قابلیدت حدل مسدئله را دارند. بندابراین اسدتفاده از الگدرریتم PNN باعدک کداهش هزینههای نمرندهبدرداری و زمدان محاسدبات بدرای تعیدین کالس کیفیت آب شده اسدت و جدایگزینی مناسد بدرای شاخص کیفی NSFWQI است. در مطالعات آتی پیشدنهاد میشرد که از الگرریتمهای دیگر برای تعیدین طبقدهبنددی کیفی آب استفاده شرد و پارامترهدای کیفدی تأثیرگدذار در طبقهبندی کیفی آب با استفاده از آنها تعیین شرد. )BP( دارندد بندابراین یدک روش خدرب برای طبقهبنددی بده شدمار مدیرود. Balabin و همکداران )00( در تحقیدق خدرد کده بده طبقدهبنددی سدرخت References Abbasi, T., Abbasi, S.A., 0. Water quality indices. Elsevier, 75 p. Back-propagation Artificial Neural Network Neuro-fuzzy System

96 پاییز شماره 70 دوره ایران طبیعی منابع مجله طبیعی زیست محیط 594 Asgari, H., Kerachian, R., 007. Application of probability estimation of the support vector machines inwater quality classification of rivers (Case study: Karoon-dez river). -4 Jan., Isfahan University of Technology, Esfahan, Iran. (In Persian) Balabin, R.M., Safieva, R.Z., Lomakina, E.I., 00. Gasoline classification using near infrared (NIR) spectroscopy data: comparison of multivariate techniques. Analytica Chimica Acta 67(), 7-5. Brown, R.M., McClelland, N.I., Deininger, R.A., Tozer, R.G., 970. A water quality index- do we dare. Water and Sewage Works, 9-4. Brown, R.M., McClelland, N.I., Deininger, R.A., O Connor, M.F., 97. A water quality index crashing the psychological barrier. In: Indicators of environmental quality. Springer, US, pp. 7-8. Cacoullos, T., 966. Estimation of a multivariate density. Annals of the Institute of Statistical Mathematics 8(), 79-89. Chen, A.S., Leung, M.T., Daouk, H., 00. Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index. Computers & Operations Research 0(6), 90-9. Horton, R.K., 965. An index number system for rating water quality. Journal of Water Pollution Control Federation 7(), 00-06. Khaki, M., Yusoff, I., Islami, N., 05. Application of the Artificial Neural Network and Neuro fuzzy System for Assessment of Groundwater Quality. CLEAN Soil, Air, Water 4(4), 55-560. Khashei, M., Bijari, M. Mokhatab Rafeiei, F., 0. Exchange rate forecasting using Hybrid modeles of multi-layer perceptrons (MLPs) and probabilistic neural network (PNNs). Journal of Numerical Modeling in Engineering (), 97-. (In Persian) Kim, D.K., Lee, J.J., Lee, J.H., Chang, S.K., 005. Application of probabilistic neural networks for prediction of concrete strength. Journal of Materials in Civil Engineering 7(), 5-6. Landwehr, J.M., Deininger, R.A., 976. A comparison of several water quality indexes. Journal (Water Pollution Control Federation), 954-958. Mao, K.Z., Tan, K.C., Ser, W., 000. Probabilistic neural-network structure determination for pattern classification. Neural Networks, IEEE Transactions on (4), 009-06. Masters, T., 995. Advanced algorithms for neural networks: a C++ sourcebook. John Wiley & Sons. Modaresi, F., Araghinejad, S., 04. A Comparative assessment of support vector machines, probabilistic neural networks, and K-Nearest neighbor algorithms for water quality classification. Water resources management 8(), 4095-4. Rahman, M., Das, R., Hassan, N., Roy, K., Haque, F., Akber, A., 04. Environmental study on water quality of Mayur River with reference to suitability for irrigation. International Journal of Environmental Sciences 5(), 9-08. Rasinezami, S., Nazariha, M., Baghvand, A., Moridi, A., 0. Karkheh river water quality using multivariate statistical analysis and qualitative data variations. Journal of health system research 8(7), 80-9. (In Persian) Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W., Plümer, L., 00. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance. Computers and Electronics in Agriculture 74(), 9-99. Sakizadeh, M., 05. Assessment the performance of classification methods in water quality studies, a case study in Karaj River. Environmental monitoring and assessment 87(9), -. Sakizadeh, M., Mirzaei, R., 06. A comparative study of the performance of K-nearest neighbors and support vector machines for classification of groundwater. Journal of Mining and Environment 7(), 49-64. Sattari, M., Abbasgoli Naebzad, M., Mirabbasi Najafabadi, R., 04. Surface water quality prediction using decison tree method. Journal of irrigation and water engineering 4(5), 76-88. (In Persian) Singh, K.P., Basant, N., Gupta, S., 0. Support vector machines in water quality management. Analytica chimica acta 70(), 5-6. Specht, D.F., 990. Probabilistic neural networks. Neural networks (), 09-8.

595 کیفی... پارامترهای حداقل اساس بر آب کیفی بندی طبقه تعیین Towler, E., Rajagopalan, B., Seidel, C., Summers, R.S., 009. Simulating ensembles of source water quality using a K- nearest neighbor resampling approach. Environmental science & technology 4(5), 407-4. Walker,D., Jakovljević, D., Savić, D.,Radovanović, M., 05. Multi-criterion water quality analysis of the Danube River in Serbia: A visualisation approach. Water research 79, 58-7. Wasserman, P.D., 99. Advanced methods in neural computing. Van Nostrand Reinhold, New York. Xue, C.X., Zhang, X.Y., Liu, M.C., Hu, Z.D., Fan, B.T., 005. Study of probabilistic neural networks to classify the active compounds in medicinal plants. Journal of pharmaceutical and biomedical analysis 8(), 497-507. Yang, Y., Ge, S.S., Lee, T.H., 008. Hand gesture recognition and tracking based on distributed locally linear embedding. Image and Vision Computing 6(), 607-60.