ارزیابی هوش مصنوعی در کلاس بندی کیفیت آب زیرزمینی استان فارس براساس شاخص wqi

بخش عظیمی از مناطق کشور با محدودیت منابع آب روبروست و استفاده نادرست از منابع محدود آب و ایجاد آلودگی در این منابع منجر به بروز بحران ها و فاجعه های زیست محیطی خواهد شد. روند رو به رشد توسعه کشور،گسترش مراکز صنعتی، استفاده بیش از حد از کود و سموم در کشاورزی، تخلیه پساب ها به منابع آبی پذیرنده، زه آب های کشاورزی و فاضلاب های بیمارستانی، خانگی و.کمیت و کیفیت منابع آبی محدود و ارزشمند کشور را به شدت تهدید می کند. گسترش روز افزون نیازها و تقاضاها در جامعه برای دسترسی به منابع آب با کیفیت مناسب، افزایش چشمگیر هزینه های تأمین آب جدید و ضرورت کنترل آلودگی منابع آب با در نظر گرفتن محدودیت منابع آبی کشور، مدیریت منابع آب را از جنبه های مختلف با چالشهای جدی روبرو ساخته است. لذا ارزیابی کیفیت منابع آب کشور از ضروریات محسوب می گردد. استان فارس نیز از این موضوع مثتسنی نیست. در استانی مانند فارس، که جزو مناطق نیمه خشک کشور بوده و یکی از اصلی ترین قطب های کشاورزی به شمار می آید، ارزیابی این منابع، از نظر کمی و کیفی، به منظور بهره وری بهتر، به عنوان یک ضرورت به حساب می آید. نیاز به برداشت آب از این ذخایر از یک سو و محدودیت نسبی آن ها از سوی دیگر و همچنین وجود املاح و نمک در آن ها، اهمیت بررسی این ذخایر را نشان می دهد. در این پژوهش به ارزیابی کیفی آب زیرزمینی استان فارس با استفاده از مدل های pnnو svmبراساس شاخص wqi پرداخته شده است. نتایج حاصله نشان دهنده ی کیفیت مناسب آب های زیرزمینی در اکثر مناطق استان می باشد. مقدار پایین rmse ، خطای تجمعی و crm و مقدار بالای ضریب تبیین هر مدل عملکرد مناسب هر دو مدل در پیش بینی کیفیت آب زیرزمینی نشان می دهد که این مقادیر به ترتیب برای مدل svm1848/0، 00542/1، 0041/0، 9798/0 و همچنین برای مدل pnn 1210/0، 7371/0، 0025/0، 9913/ 0 می باشد0 پایین تر بودن میزان rmse، خطای تجمعی و crm، بالاتر بودن میزان ضریب تبیین مدل شبکه عصبی احتمالاتی نشان دهنده دقت بالاتر این مدل نسبت به ماشین های بردار پشتیبان احتمالاتی می باشد.