پیش بینی میزان آلودگی فلزات سنگین در رسوبات رودخانه گرگانرود با استفاده از داده کاوی

نوع مقاله: کاربردی

نویسندگان

1 استادیار موسسه آموزش عالی پویندگان دانش چالوس

2 کارشناسی ارشد موسسه آموزش عالی پویندگان دانش چالوس

3 عضو هیات علمی پژوهشگاه ملی اقیانوس شناسی و علوم جوی

چکیده

به منظور پیش بینی میزان آلودگی فلزات سنگین در رسوبات رودخانه گرگانرود با استفاده از داده کاوی، در طول رودخانه گرگان رود نمونه های رسوبی در دو فصل (بهار و تابستان) و در 10 ایستگاه با سه تکرار نمونه برداری گردید. پس از آنالیز دستگاهی نمونه ها، داده های خام فلزات سنگین جمع آوری شد. سپس روش پیشنهادی مطرح گردید که شامل مراحل شروع و گردآوری داده ها، پیش پردازش داده ها ، ساخت مدل و همچنین ارزیابی و خروجی می باشد. در مرحله ساخت مدل، ساخت طبقه‌بندی با استفاده از3 الگوریتم Naive bayes و درخت تصمیم و k-nn انجام شد و سپس ارزیابی صورت گرفت که معیار های صحت (Accuracy)، دقت (Precision )، فراخوانی(Recall) و خطا (Error) بررسی و مقایسه گردید. در خروجی روش پیشنهادی، هر 3 الگوریتم برروی داده های مورد نظر نتایج مثبتی داشتتند. مقادیرمعیارهای صحت، دقت، فراخوانی و خطا در الگوریتم Naive bayes ، به ترتیب %92، %44/94، %89/88 ،%8 بدست آمد که این مقادیر درالگوریتم Naive bayes از 2 الگوریتم درخت تصمیم و k-nn بیشتر بود. همچنین الگوریتم K-nn نسبت به درخت تصمیم خروجی بهتری داشت و مقادیرصحت و دقت در این الگوریتم بیشتر از الگوریتم درخت تصمیم بدست آمد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Heavy Metal Contamination in Gorganroud River Sediments Using Data Mining

نویسندگان [English]

  • R Tavoli 1
  • A Aghkhani 2
  • H Bagheri 3
1 Chalus pouyandegan institute
2 Pooyandegan Danesh institute
3 INIOAS
چکیده [English]

To estimation of heavy metals pollution in Gorganroud river sediments using data Mining, sediment was collected in two seasons (spring and summer) at 10 stations with three replications. After analyzing the samples, heavy metal data were extracted. Then proposed method was included the steps for starting and collecting data, pre-processing data, constructing the model as well as evaluation and output. construction of model was performed using 3 Naive bayes algorithms, decision tree, and k- nn, and then the evaluation was carried out to evaluate the accuracy, precision, recall, and error.In the output of the proposed method, all three algorithms have positive results for our data. The values of the accuracy, precision, recall, and error for Naive bayes algorithm were 92%, 44.49%, 88.88%, 8%, respectively; the values of the Naive bayes algorithm were greater than the decision tree k-nn algorithm. Also, the K-nn algorithm was better than the decision tree and the accuracy and accuracy of this algorithm were more than the decision tree algorithm. Thus, in this thesis, the Naive bayes algorithm showed better results with this data.

کلیدواژه‌ها [English]

  • Data Mining
  • heavy metals
  • Gorganrud
[1]    ستاری، م.، نایب زاده، ع.، نجف آبادی میرعباسی، ر.،1393. پیش بینی کیفیت آب‌های سطحی با استفاده از روش درخت تصمیم. مجله مهندسی آبیاری و آب. دوره4 شماره15  ص.-88-76
[2]    حاجیان نژاد، م.، رهسپار.، 1389.بررسی تاثیر روان آب ها وپساب تصفیه خانه فاضلاب بر پارامترهای کیفی آب رودخانه زاینده رود. مجله تحقیقات نظام سلامت /سال ششم/ویژه نامه، ص.821-828.
[3]    مهریزی، حائری، علی اصغر ، «داده‌کاوی: مفاهیم، روش‌ها و کاربردها» (1382) پایان‌نامه کارشناسی ارشد آمار اقتصادی و اجتماعی، دانشکده اقتصاد، دانشگاه علامه طباطبائی.
[4]    افراز، علی، مدیریت دانش (مفاهیم، مدل­ها، اندازه­گیری و پیاده­سازی)، چاپ اول، انتشارات دانشگاه صنعتی امیرکبیر، ۱۳۸۴٫.
[5]    رضوانی گیل کلایی، سهراب، بررسی آثار هیستوپاتولوژیک ناشی از برخی آلاینده های زیست محیطی دریای خزر روی ماهیان استخوانی شکارچی آزاد و سوف دریای خزر، 1386.
[6]    دبیری، مجتبی. 1382. آلودگی محیط زیست، هوا- آب- خاک- صوت. گروه شیمی دانشکده علوم دانشگاه شهید بهشتی. تهران، نشر اتحاد.399ص.
[7]    شریعت فیض آبادی، فاطمه، استاندارد های کیفی آب، 1377.
[8]    Shoba G, Shobha G. Water Quality prediction us-ing data mining techniques: A survey. International Journal of Engineering and Computer Science. 2014;3(6):6299-306.14.
[9]    Shahrabi J. Data Mining. Tehran: Jahad-e Danesh-ghahi Publication; 2013 (in Persian)
[10]                     Guilford .P, Kline. R.B., 2005.Data PreParation and Screening, in Principles and Practice of Structural Equation Modeling, Chapter 3.pp.45-62
[11]                     Mehmed Kantardzic , John Wiley & Sons.,2003.Data Mining: Concepts, Models, Methods, and Algorithms, Preparing the Data,Chapter 2,3.
[12]                     Rajakumari SB, Nalini C. Identification of leadcontaminant in river water quality data. Journal of Chemical and Pharmaceutical Sciences.2016;9(4):2764-66.
[13]                     Cho Y. A watershed water quality evaluation model using data mining as an alternative to physical watershed models. Water Science and Technology: Water Supply. 2016;16(3):703-14.