پیش بینی تغییرات غلظت نیترات آب زیر زمینی با رویکرد AdaBoost
محل انتشار: فصلنامه پژوهش در بهداشت محیط، دوره: 9، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 51
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JREH-9-3_004
تاریخ نمایه سازی: 2 دی 1402
چکیده مقاله:
زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل های پیشرفته برای مدیریت کیفیت آب، تصمیم گیرندگان را تشویق کرده است که فناوری های هوش مصنوعی را در برنامه ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مدل های 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 R۲ برای داده آموزش ۰/۹۱۵ و برای داده های تست ۰/۹۲۴ بودند. مقادیر MSE، RMSE، MAE، MAPE برای داده های آموزش به ترتیب ۱/۰۲، ۱/۰۱، ۰/۸۲۳ و ۷/۳درصد بدست آمد. این معیار ها برای داده های تست به ترتیب۰/۲۲۸، ۰/۴۷۷، ۰/۳۷۵ و۳/۲ درصد بودند. تحلیل حساسیت مدل، متغیر pH به عنوان مهمترین متغیر تاثیر گذار در پیش بینی نیترات معرفی کرد.نتیجه گیری: تحلیل مدل نشان داد که روش پیشنهادی در پیش بینی غلظت نیترات عملکرد بالایی دارد. این روش پتانسیل ویژه برای پیاده سازی به عنوان یک سامانه هوشمند برای پیش بینی پارامترهای کیفیت آب را دارد.
کلیدواژه ها:
نویسندگان
منصور بازیار
استادیار مهندسی بهداشت محیط، دپارتمان مهندسی بهداشت محیط، دانشکده علوم پزشکی فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :