vix.ing · top · new · best · stats · spec

Water Quality Assessment and Prediction Using Linear and Nonlinear Regression Models: (Public Data Case Study)

2025/04/10 by Mohammad Javad Nasr Esfahani, Nasr Esfahani, Mohammad Javad, Roozbeh Aghamajidi +1
Engineering · Environmental Science · #Dissolved Oxygen #Hydrological Forecasting Using AI #Linear and Nonlinear Modeling #Regression Analysis #Water Quality #Water Quality Index #Water Quality and Pollution Assessment #Water resources management and optimization #pH

paper · doi:10.82476/jwe.2025.1229093

openalex publication_date 2025/04/10 · openalex created_date 2025/12/28 · openalex updated_date 2026/07/28

Abstract

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.

Related