ارزیابی و پیش‌بینی کیفیت آب رودخانه تالار با استفاده از مدل‌های یادگیری عمیق و تحلیل‌های آماری

نویسندگان

1 دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

2 دانشیار, گروه علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری. ساری، ایران.

3 رئیس مرکز ملی مطالعات و تحقیقات دریای خزر

4 استاد, پژوهشکده سنجش از دور وGIS محیطی، دانشگاه علوم کشاورزی و منابع طبیعی ساری. ساری، ایران

5 استاد گروه علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری

doi
10.22125/iwe.2025.510360.1868
چکیده

مدیریت پایدار منابع آب سطحی نیازمند پایش مستمر و تحلیل دقیق کیفیت آب در بازه‌های زمانی مختلف است. این پژوهش با هدف ارزیابی کیفیت آب رودخانه تالار در دوره‌های کم‌آبی (شهریور) و پرآبی (اردیبهشت) انجام شد. طی بازدیدهای میدانی، ۱۵ نقطه نمونه‌برداری در کاربری‌های مختلف تعیین گردید. نمونه‌ها از عمق ۱۵ تا ۳۰ سانتی‌متری زیر سطح آب، در دو نوبت برداشت شدند. نتایج نشان داد در دوره پرآبی، هدایت الکتریکی (EC) و کل جامدات محلول (TDS) با یون‌های محلول مانند کلسیم (Ca)، منیزیم (Mg) و سدیم (Na) همبستگی مثبت قوی دارند (r>0.94). همچنین، pH با فلزات سنگین نظیر آلومینیوم(r=-0.35) و سیلیسیم (r=-0.28) همبستگی منفی داشت که به تغییرات حلالیت این عناصر در شرایط اسیدی مربوط است. تحلیل مؤلفه‌های اصلی (PCA) نشان داد در دوره کم‌آبی، دو مؤلفه اصلی بیش از ۹۰ درصد واریانس داده‌ها را توضیح می‌دهند. مؤلفه اول تحت تأثیر یون‌های محلول مانند سدیم، کلرید و گوگرد بود، در حالی‌که مؤلفه دوم با پارامترهایی چون EC و کدورت مرتبط بود. در دوره پرآبی، مؤلفه اول با 95.69 درصد واریانس، عمدتاً تحت تأثیر TDS و EC قرار داشت. مدل‌سازی غلظت کلسیم با استفاده از مدل‌های یادگیری عمیق نشان داد که مدل CNN عملکرد بهتری نسبت به LSTM دارد. در ایستگاه شیرگاه، مدل CNN با ضریب همبستگی 0.75 تطابق بیشتری با داده‌های واقعی داشت، درحالی‌که LSTM ضریب 0.6 نشان داد.