fa ارزیابی و مقایسه روش‌های یادگیری ماشین برای پیش‌بینی میزان شوری رودخانه کارون هیدروگرافی Hydrography پژوهشي Research <span style="font-size:10pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span b="" nazanin="" style="font-family:"><span style="font-weight:bold"><span lang="FA" style="font-weight:normal">بیشتر پهنه ایران دارای اقلیم گرم و خشک همراه با بارش اندک است. مهم‌ترین منابع آب مصرفی کشورمان آب‌های زیرزمینی و آب رودخانه می‌باشد. رودخانه‌ها در سال‌های کم بارش و خشک اخیر از حیث کنترل پارامترهای کیفی آب بیشتر موردتوجه قرارگرفته‌اند. در این راستا، شوری آب رودخانه</span> <span lang="FA" style="font-weight:normal">یکی از مهم‌ترین پارامترهای کیفی است که بایست توجه ویژه‌ای به آن داشت. در این تحقیق تغییرات بلندمدت شوری رودخانه کارون مورد ارزیابی قرارگرفته و با روش‌های متنوع یادگیری ماشین ازجمله شبکه عصبی عمیق، جنگل تصادفی و </span><span lang="FA" style="font-weight:normal">تقویت گرادیان مضاعف به مدل‌سازی متوسط شوری رودخانه کارون در بازه زمانی 1380 تا 1395 پرداخته و در ادامه تا میانه سال 1397 به مدت 18 ماه پیش‌بینی متوسط شوری ارائه خواهد شد. پیش‌بینی‌های ارائه‌شده با داده‌های برداشت‌شده در بازه زمانی 18 ماه مقایسه شده و روش‌های مختلف به‌کاررفته در این تحقیق ازلحاظ دقت و کارایی مقایسه شد. نتایج نشان داده که اولاً در بازه زمانی مطالعه میزان متوسط ماهیانه شوری دررود کارون با نرخ</span> <span lang="FA" style="font-weight:normal">تقریبی </span><span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="font-weight:normal">ppm/year</span></span></span><span lang="FA" style="font-weight:normal"> 10 اضافه‌شده که این روند افزایشی برای اکوسیستم منطقه مخاطره‌آمیز خواهد بود. روش شبکه عصبی عمیق و جنگل تصادفی ازلحاظ دقت پیش‌بینی‌ها تاحدی شبیه هم عمل کرده و هر دو روش با تنظیم بهینه پارامترهای مؤثر خود توانستند متوسط شوری رودخانه را با دقت حدود </span><span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="font-weight:normal">ppm</span></span></span> <span lang="FA" style="font-weight:normal">170-180 پیش‌بینی کنند. روش جنگل تصادفی نسبت به شبکه عصبی عمیق در پیش‌بینی بلندمدت بهتر عمل می‌کند. اما روش تقویت گرادیان مضاعف نسبت به سایر روش‌ها موفق‌تر عمل کرده و دقت پیش‌بینی‌های ارائه‌شده با این روش </span><span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="font-weight:normal">ppm</span></span></span> <span lang="FA" style="font-weight:normal">150 بود که در مقایسه با جنگل تصادفی 13 درصد و در مقایسه با شبکه عصبی عمیق&nbsp; 18درصد کاهش خطای نسبی را نشان می‌دهد.</span></span></span></span></span></span><br> <br> &nbsp; <span style="font-size:12pt"><span style="line-height:150%"><span style="text-autospace:none"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="line-height:150%">Most regions of Iran are characterized as a hot and arid climate with low precipitation. The primary water resources in the country are groundwater and river water. In recent years, due to little rainfall and drought conditions, rivers have received more attention. In this context, river water salinity is considered as one of the most critical water quality parameters, requiring special attention.</span></span></span></span></span></span><br> <span style="font-size:12pt"><span style="line-height:150%"><span style="text-autospace:none"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="line-height:150%">In this study, the long-term variations in the salinity of the Karun River were assessed. Furthermore, the monthly average salinity of the Karun River was modeled from 2001 (1380) to 2016 (1395) using various machine learning methods, including deep neural networks (DNN), random forests (RF), and <a name="_Hlk197790715">extreme gradient boosting </a>(XGBoost). Subsequently, the average salinity was forecasted for an 18-month period extending to mid-2018 (1397). The predicted values were compared with the observed measurements during this 18-month validation period, and the performance and accuracy of the different modeling approaches were evaluated and compared.</span></span></span></span></span></span><br> <span style="font-size:12pt"><span style="line-height:150%"><span style="text-autospace:none"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="line-height:150%">The results demonstrated that, first, the monthly average salinity increased at a rate of approximately 10 ppm/year throughout the study period, posing a potential threat to the regional ecosystem. The DNN and RF models showed comparable accuracy and could predict the average salinity of the river with the accuracy of 170 _ 180 ppm when their respective hyperparameters were optimally tuned. However, the RF performed slightly better in long-term forecasting.</span></span></span></span></span></span><br> <span style="font-size:12pt"><span style="line-height:150%"><span style="text-autospace:none"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="line-height:150%">Among the tested methods, XGBoost outperformed the others, achieving a prediction error of approximately 150 ppm. Compared to RF and DNN, this represents a relative error reduction of about 13% and 18%, respectively.</span></span></span></span></span></span><br> &nbsp; شوری رودخانه, شبکه عصبی عمیق, جنگل تصادفی, تقویت گرادیان مضاعف River salinity, Deep neural network, Random forest, Extreme gradient boosting 121 147 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-229-3&slc_lang=fa&sid=1 Hany Mahbuby هانی محبوبی h_mahbuby@sbu.ac.ir 100319475328460010496 100319475328460010496 Yes Shahid Beheshti University دانشگاه شهید بهشتی Mohammad Pirayesh محمد پیرایش m.pirayesh@mail.sbu.ac.ir 100319475328460010497 100319475328460010497 No Shahid Beheshti University دانشگاه شهید بهشتی Yahya Djamour یحیی جمور y_djamour@sbu.ac.ir 100319475328460010498 100319475328460010498 No Shahid Beheshti University دانشگاه شهید بهشتی