ارزیابی و پیشبینی کیفیت آب با استفاده از مدلهای رگرسیونی خطی و غیرخطی
محورهای موضوعی : علوم آبمحمدجواد نصراصفهانی 1 * , روزبه آقامجیدی 2
1 - سازمان آب و برق خوزستان، اهواز، ايران
2 - گروه مهندسی عمران، واحد سپیدان، دانشگاه آزاد اسلامی، سپیدان، ایران
کلید واژه: کیفیت آب, رگرسیون خطی, مدل غیرخطی, شوری, اکسیژن محلول, شاخص کیفیت آب,
چکیده مقاله :
پایش و پیشبینی کیفیت آب یکی از مهمترین ابزارهای مدیریت پایدار منابع آبی است. در پژوهش حاضر، دادههای واقعی کیفیت آب شامل متغیرهایی چون اکسیژن محلول (DO)، pH و شوری از مجموعه دادههای عمومی منتشرشده در پایگاههای جهانی گردآوری و با استفاده از مدلهای رگرسیونی خطی و غیرخطی تحلیل شدند. هدف اصلی پژوهش، بررسی میزان توانایی مدلهای رگرسیونی در پیشبینی کیفیت آب در افق زمانی کوتاه و بلندمدت بود. دادهها پس از پاکسازی و نرمالسازی، در دو دسته مدل شامل رگرسیون خطی ساده و مدل غیرخطی (Polynomial Regression) مورد تحلیل قرار گرفتند. نتایج نشان داد که مدل خطی در پیشبینی تغییرات DO و pH دقت کمتری دارد، در حالی که مدل غیرخطی پس از مقیاسگذاری دادهها توانست با ضریب همبستگی حدود عملکرد قابل توجهی نشان دهد. با این وجود، در پیشبینی بلندمدت (بیش از ۵ سال)، هر دو مدل دچار افت دقت شدند که بیانگر نیاز به لحاظکردن اثرات اقلیمی و مکانی در مدلسازی است. یافتههای این تحقیق نشان میدهد که استفاده از مدلهای آماری ساده میتواند در پایش کوتاهمدت کیفیت آب مفید باشد، اما برای پیشبینیهای دقیقتر، استفاده از مدلهای ترکیبی یا هوش مصنوعی توصیه میشود.
Monitoring and predicting water quality is a critical component of sustainable water resource management. This study investigates the relationships between key physicochemical parameters and the Water Quality Index (WQI) in selected rivers in Iran. Using real water quality data, multiple linear regression and quadratic regression models were applied to evaluate the influence of pH, dissolved oxygen (DO), electrical conductivity (EC), total dissolved solids (TDS), and temperature on overall water quality. Results indicate that DO and pH have the strongest positive effects on WQI, while EC, TDS, and water temperature negatively affect water quality. The quadratic regression model outperformed the linear model, achieving a higher coefficient of determination (R² = 0.91) and lower mean squared error (MSE = 8.7), highlighting the importance of accounting for non-linear relationships among water quality parameters. These findings underscore the applicability of statistical models for short-term water quality prediction and provide a scientific basis for resource management strategies in rivers with diverse climatic conditions in Iran.
Allahdad, Z., Malmasi, S., Montazeralzohour, M., Sadeghi, S. M. M., & Khabbazan, M. M. (2022). Presenting the spatio-temporal model for predicting and determining permissible land use changes based on drinking water quality standards: A case study of Northern Iran. Resources, 11(11), 103. https://doi.org/10.3390/resources11110103.
Mirbagheri, S. A., Abaspour, M., & Zamani, K. H. (2009). Mathematical modeling of water quality in river systems: Case study Jajrood river in Tehran–Iran. EWRA Conference Proceedings, 27–28.
Nouraki, A., Alavi, M., Golabi, M., & Albaji, M. (2021). Prediction of water quality parameters using machine learning models: A case study of the Karun River, Iran. Environmental Science and Pollution Research International, 28(40), 57060–57072. https://doi.org/10.1007/s11356-021-14560-8.
Raeisi, N., Moradi, S., & Scholz, M. (2022). Surface water resources assessment and planning with the QUAL2KW model: A case study of the Maroon and Jarahi Basin (Iran). Water, 14(5), 705. https://doi.org/10.3390/w14050705.
Shakeri, R., et al. (2025). Comparative analysis of correlation and causality inference: Water quality assessment of rivers using RBF and MLP artificial neural networks (Case study: Karun River, Southwest Iran). Scientific Reports. https://doi.org/10.1038/s41598-025-85908-0