fa تخمین شاخص کیفی آب‌های سطحی با استفاده از روش‌های یادگیری ماشین (مطالعه موردی: رودخانه زاینده‌رود) عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">باتوجه به نیاز روزافزون به منابع آب و کاهش منابع آب سطحی، آگاهی از کیفیت منابع آب سطحی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب به شمار می‌رود. این پژوهش با هدف مدل‌سازی شاخص کیفیت آب (ویژگی پرکاربرد تعیین کیفیت آب) به کمک مدل‌های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان در رودخانه زاینده‌رود انجام شده است. باتوجه به تعدد شاخص‌های کیفیت آب، در این پژوهش از شاخص NSFWQI استفاده شد. ابتدا این شاخص محاسبه و در ادامه، از داده‌های ورودی شامل ویژگی‌های کیفی آب 8 ایستگاه در یک دوره ۳۱ساله و شاخص کیفیت آب رودخانه‌ استفاده شد. در این پژوهش در مرحله آموزش 80 درصد داده‌ها و در مرحله ارزیابی 20 درصد باقی‌مانده استفاده شده و بر اساس نتایج معیارهای ارزیابی R²،&nbsp;<span dir="ltr">&nbsp;CRM</span>و NRMSE مدل بهینه انتخاب شد. نتایج نشان داد در چهار ایستگاه الگوریتم ماشین بردار پشتیبان <span dir="ltr">(-0/00312<crm<0 004576="">2<0/982 )</crm<0></span> و در چهار ایستگاه الگوریتم جنگل تصادفی&nbsp;(<span dir="rtl"><span dir="ltr">-0/00114<crm<0 004698="">2<0/999</crm<0></span></span>) عملکرد بهتری نشان داد. همچنین نتایج نشان داد که برای صرفه‌جویی در زمان و هزینه، سری شماره 3 (شامل سه ویژگی هدایت الکتریکی، کل مواد جامد محلول و سختی کل) به‌منظور برآورد شاخص کیفیت آب بهترین ترکیب بوده است.</div> <div style="text-align: justify;"><span lang="EN" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">Regarding the increasing need for water resources and the decline of surface water resources, awareness of these resources is a crucial need in planning, developing, and protecting them. This research was conducted to model the water quality index (the most widely used feature of determining water quality) using machine learning models (Random Forest and Support Vector Machine) in the Zayandehrood River. Regarding the large number of water quality indices, the NSFWQI index was used in this study. First, this index was calculated, and then, input data, including water quality characteristics of 8 stations over 31 years, and the river water quality index were used. In this research, 80% of the data was used in the training stage, and the remaining 20% was used in the evaluation stage. The optimal model was selected based on the evaluation criteria, including R², CRM, and NRMSE. The results showed that the Support Vector Machine algorithm (0.931 < R&sup2; < 0.982, 1.321<nrmse<2.93, -0.00312=""></nrmse<2.93,></span></span></div> جنگل تصادفی, زاینده‌رود, ماشین بردار پشتیبان, مدل‌های یادگیری ماشین, ویژگی‌های کیفیت آب Random Forest, Zayandeh-Rood, Support vector machine, Machine learning models, Water quality characteristics 145 158 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-4041-3&slc_lang=fa&sid=1 Mohammad Shayannejad محمد شایان نژاد shayannejad@iut.ac.ir Yes Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran. گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران. Elham Fazel Najafabadi الهام فاضل نجف آبادی efazel@iut.ac.ir No Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran. گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران. Fahimeh Hatamian Jazi فهیمه حاتمیان جزی fahime.hatamiyan@ag.iut.ac.ir No Department of Water Science and Engineering. College of Agriculture, Isfahan University of Technology, Isfahan, Iran. گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران.