استخدام التعلم الآلي والانحدار الخطي للتنبؤ بجودة المياه في بحيرة السن

الملخص

تتطلب الإدارة الفعالة لكمية ونوعية المياه تقييم وتحديد مستوى تلوث المياه السطحية والجوفية الموجودة بشكل دقيق. تهدف هذه الدراسة إلى تقييم أداء نموذج الانحدار الخطي متعدد المتغيرات التقليدي (MLR) وكذلك تسع عشرة نموذجاً للتعلم الآلي(ML) ، بما في ذلك الخوارزميات القائمة على الانحدار وشجرة القرار والتعزيز (الانحدار الخطي (Lr)، انحدار الزاوية الأدنى (Lar)، سلسلة الانحدار البايزية (Br)، انحدار ريدج (Ridge)، انحدار الجيران الأقرب k (Knn)، الانحدار الإضافي للأشجار (Et)، الانحدار العشوائي للغابات (Rf)، الانحدار المعزز المتدرج (Gbr)، تعزيز التدرج الشديد (Xgboost)، ... إلخ، في تقدير جودة المياه السطحية لبحيرة السن في محافظة اللاذقية.

تم استخدام بيانات جودة المياه لمأخذ مياه شرب مدينة اللاذقية في البحيرة للعامين (2022-2021) من أجل حساب مؤشر جودة المياه (WQI). تم تقييم أداء التنبؤ لنماذج الانحدار الخطي (MLR) وتعلم الآلة (ML) باستخدام عدة طرق احصائية لتقدير كفاءتهم مثل (معامل التحديدR²  وجذر متوسط الخطأ التربيعي RMSE). أشارت النتائج إلى أن نموذج الانحدار الخطي متعدد المتغيرات (MLR) وثلاثة من نماذج تعلم الآلة (ML) وهي الانحدار الخطي (Lr)، الانحدار الأدنى للزاوية (Lar) و سلسلة التلال البايزية (Br) تتمتع بأداء عالٍ جداً في التنبؤ بمؤشر (WQI) وبدقة  (R² = 0.999, RMSE = 0.149)بالنسبة لنموذج (MLR)، ودقة  (R² = 1, RMSE ~= 0.0) بالنسبة لنماذج تعلم الآلة الثلاثة المذكوره أعلاه. تدعم النتائج استخدام نماذج الانحدار الخطي متعدد المتغيرات ونماذج تعلم الآلة في التنبؤ بمؤشر جودة المياه (WQI) وبمستوى عالٍ جداً من الدقة، مما سيزيد من تحسين إدارة جودة المياه.