عنوان فارسی مقاله:تکنیک یکپارچه GIS و یادگیری ماشینی برای ارزیابی و پیش‌بینی کیفیت آب‌های زیرزمینی در جنوب عربستان سعودی

چکیده

یکی از حیاتی‌ترین مراحل برای توسعه منابع آب زیرزمینی برای استفاده از آب شرب، ارزیابی کیفیت آب است. استفاده از شاخص کیفیت آب (WQI) یک روش مؤثر برای ارزیابی کیفیت آب در نظر گرفته می‌شود. هدف از این تحقیق ارزیابی عملکرد شش تکنیک هوش مصنوعی چندگانه، یعنی رگرسیون خطی (گام به گام)، رگرسیون برداری پشتیبان SVM (هسته‌های خطی و چند جمله‌ای)، رگرسیون فرآیند گاوسی (GPR)، درخت باینری مناسب و عصبی مصنوعی و شبکه ANN بیزی برای پیش بینی WQI در جیزان، جنوب عربستان سعودی بود. در مجموع ۱۴۵ نمونه آب زیرزمینی از چاه‌های کم عمق حفر شده و گمانه‌های بهره برداری از آبخوان فریاتیک جمع آوری شدو ۱۱ پارامتر فیزیکوشیمیایی (pH، TDS، Ca2+، Mg2+، Na+، K+، Cl-، SO42-، HCO3-، NO3- و TH) محاسبه گردید. نتایج توزیع مکانی نشان داد که مقادیر بالاتری از کلر و SO42- در مکان‌های نزدیک به خط ساحلی ثبت شد که نشان‌دهنده وقوع نفوذ آب دریا و شور شدن است. هفت حلقه چاه دارای WQI بیشتر از ۳۰۰ بودند که نشان می‌دهد آب برای مصرف مناسب نیست. نتایج نشان داد که مدل‌های GPR، رگرسیون خطی (گام‌به‌گام) و ANN در مراحل آموزش و آزمایش با همبستگی بالای ۱٫۰۰ و خطاهای کم، بهترین عملکرد را داشتند. مدل برازش گام به گام نشان داد که pH، K+ و NO3- مهم‌ترین متغیرها بودند، در حالی که HCO3- یک متغیر غیر معنی‌دار برای WQI بود. مدل‌های GPR، رگرسیون گام به گام و ANN بهترین عملکرد را در طول مراحل آموزش و آزمایش با همبستگی بالا و خطاهای کم داشتند. در مقابل، مدل‌های درختی باینری SVM و Fit بدترین عملکرد را در مراحل آموزش و آزمایش داشتند. بر اساس تجزیه و تحلیل رگرسیون زیر مجموعه، ترکیب ورودی بهینه برای پیش‌بینی مدل WQI به عنوان این هشت ترکیب ورودی با R2 بالا (۰٫۹۷۵-۱٫۰۰) و Adj-R2 بالا (۰٫۹۷۴-۱٫۰۰) تعیین شد. مدل WQI حاصل به طور قابل توجهی به مدیریت پایدار منابع آب زیرزمینی در مناطق خشک کمک می‌کند و دقت پیش‌بینی بهبود یافته را با پارامترهای ورودی کمتر ایجاد می‌کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: An Integrated GIS and Machine-Learning Technique for Groundwater Quality Assessment and Prediction in Southern Saudi Arabia

Abstract

One of the most critical stages for developing groundwater resources for drinking water use is assessing the water quality. The use of a Water Quality Index (WQI) is considered an effective method of evaluating water quality. The objective of this research was to evaluate the performance of six multiple artificial intelligence techniques, i.e., linear regression (stepwise), support vector regression SVM (linear and polynomial kernels), Gaussian process regression (GPR), Fit binary tree, and artificial neural network ANN (Bayesian) to predict the WQI in Jizan, Southern Saudi Arabia. A total of 145 groundwater samples were collected from shallow dug wells and boreholes tapping the phreatic aquifer. The WQI was calculated from 11 physicochemical parameters (pH, TDS, Ca2+, Mg2+, Na+, K+, Cl-, SO42-, HCO3-, NO3-, and TH). The spatial distribution results showed that higher values of Cl- and SO42- were recorded in the places close to the coastline, indicating the occurrence of seawater intrusion and salinisation. Seven wells had a WQI of greater than 300, indicating that the water was unfit for consumption. The results showed that the GPR, linear regression (stepwise), and ANN models performed best during the training and testing stages, with a high correlation of 1.00 and low errors. The stepwise fitting model indicated that pH, K+, and NO3- were the most significant variables, while HCO3- was a non-significant variable for the WQI. The GPR, stepwise regression, and ANN models performed best during the training and testing stages, with a high correlation and low errors. In contrast, the SVM and Fit binary tree models performed the worst in the training and testing phases. Based on subset regression analysis, the optimum input combination for WQI model prediction was determined as these eight input combinations with high R2 (0.975–1.00) and high Adj-R2 (0.974–1.00). The resultant WQI model significantly contributes to sustainable groundwater resource management in arid areas and generates improved prediction precision with fewer input parameters.