نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

ارزیابی و پیش‌بینی کیفیت آب رودخانه تالار با استفاده از مدل‌های یادگیری عمیق و تحلیل‌های آماری

نوع مقاله : مقاله پژوهشی

نویسندگان
مینا احمدی سرخونی 1
فاطمه شکریان 2
کریم سلیمانی 3
معصومه بنی هاشمی 4
عطا اله کاویان 5
1 دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.
2 دانشیار, گروه علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری. ساری، ایران.
3 استاد, پژوهشکده سنجش از دور وGIS محیطی، دانشگاه علوم کشاورزی و منابع طبیعی ساری. ساری، ایران
4 رئیس مرکز ملی مطالعات و تحقیقات دریای خزر
5 استاد گروه علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری
10.22125/iwe.2025.510360.1868
چکیده
مدیریت پایدار منابع آب سطحی نیازمند پایش مستمر و تحلیل دقیق کیفیت آب در بازه‌های زمانی مختلف است. این پژوهش با هدف ارزیابی کیفیت آب رودخانه تالار در دوره‌های کم‌آبی (شهریور) و پرآبی (اردیبهشت) انجام شد. طی بازدیدهای میدانی، ۱۵ نقطه نمونه‌برداری در کاربری‌های مختلف تعیین گردید. نمونه‌ها از عمق ۱۵ تا ۳۰ سانتی‌متری زیر سطح آب، در دو نوبت برداشت شدند. نتایج نشان داد در دوره پرآبی، هدایت الکتریکی (EC) و کل جامدات محلول (TDS) با یون‌های محلول مانند کلسیم (Ca)، منیزیم (Mg) و سدیم (Na) همبستگی مثبت قوی دارند (r>0.94). همچنین، pH با فلزات سنگین نظیر آلومینیوم(r=-0.35) و سیلیسیم (r=-0.28) همبستگی منفی داشت که به تغییرات حلالیت این عناصر در شرایط اسیدی مربوط است. تحلیل مؤلفه‌های اصلی (PCA) نشان داد در دوره کم‌آبی، دو مؤلفه اصلی بیش از ۹۰ درصد واریانس داده‌ها را توضیح می‌دهند. مؤلفه اول تحت تأثیر یون‌های محلول مانند سدیم، کلرید و گوگرد بود، در حالی‌که مؤلفه دوم با پارامترهایی چون EC و کدورت مرتبط بود. در دوره پرآبی، مؤلفه اول با 95.69 درصد واریانس، عمدتاً تحت تأثیر TDS و EC قرار داشت. مدل‌سازی غلظت کلسیم با استفاده از مدل‌های یادگیری عمیق نشان داد که مدل CNN عملکرد بهتری نسبت به LSTM دارد. در ایستگاه شیرگاه، مدل CNN با ضریب همبستگی 0.75 تطابق بیشتری با داده‌های واقعی داشت، درحالی‌که LSTM ضریب 0.6 نشان داد.
کلیدواژه‌ها
دیاگرام تیلور
تحلیل مؤلفه‌های اصلی (PCA)
ضریب همبستگی پیرسون
فلزات سنگین
موضوعات

عنوان مقاله English

Assessment and prediction of water quality in the Talar River using deep learning models and statistical analysis

نویسندگان English

Mina Ahmadi Sarkhooni 1
fatemeh Shokrian 2
Karim Solaimani 3
Masoume Banihashemi 4
Ataollah Kavian 5
1 Ph.D. Student, Department of Sciences and Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
2 Associate Professor, Department of Science and Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
3 Professor, Environmental Remote Sensing & GIS Research Institute, Sari Agricultural Sciences and Natural Resources University, Sari, Ira
4 Caspian Sea National Study and Research Center
5 Professor, Sari Agricultural Sciences and Natural Resources university, Natural Resources faculty, Watershed Management Engineering group, Sari,
چکیده English

Sustainable management of surface water resources requires continuous monitoring and accurate analysis of water quality at various time intervals. This study assessed the water quality of the Talar River during low-water (September) and high-water (May) periods. During field visits, 15 sampling points were identified in areas with different land uses. Samples were collected from depths ranging from 15 to 30 cm below the water surface on two occasions. The results showed that, during the high-water period, electrical conductivity (EC) and total dissolved solids (TDS) exhibited a strong positive correlation with dissolved ions, such as calcium (Ca²⁺), magnesium (Mg²⁺), and sodium (Na⁺). Additionally, pH exhibited a negative correlation with heavy metals, such as aluminum (r = -0.35) and silicon (r = -0.28), indicating changes in the solubility of these elements under acidic conditions. Principal component analysis (PCA) revealed that, during the dry period, two main components accounted for over 90% of the variance in the data. The first component was influenced by dissolved ions such as sodium, chloride, and sulfur. The second component was related to parameters such as EC and turbidity. During the high water period, the first component was primarily influenced by TDS and EC, accounting for 95.69% of the variance. Modeling calcium concentration using deep learning models revealed that the convolutional neural network (CNN) model outperformed the long short-term memory (LSTM) model. At the Shirgah station, the CNN model fit the real data better, with a correlation coefficient of 0.75; the LSTM showed a coefficient of 0.6.

کلیدواژه‌ها English

Heavy metals
Pearson correlation coefficient
Principal Component Analysis (PCA)
Taylor plot
ابراهیمی، ز.، گ. فرقانی تهرانی، ع. کابلی. 1403. هیدروژئوشیمی زیست محیطی رودخانه زیارت در محدوده شهر گرگان، استان گلستان، مجله علوم و فنون دریایی، 23(4)، 32-58.
باب‌الحکمی، ع. و م.ع. غلامی سفیدکوهی. ۱۳۹۷. تجزیه و تحلیل کیفیت آب رودخانه تالار با استفاده از تکنیک‌های چند متغیره. پژوهشنامه مدیریت حوزه آبخیز، ۹(۱۸): ۲۵۰-۲۵۹. 
سلیمانی، ک.، ف. شکریان، س. عبدلی بوژانی، و ع. صابری. 1400. اولویت‌بندی پتانسیل خطر سیل‌خیزی حوضه آبخیز تالار در محیط GIS. اکوهیدرولوژی، 8(3 )، 749-762.
سیفی، ا. و ح. ریاحی. ۱۳۹۸. ارزیابی شاخص‌های آلودگی فلزات سنگین در آب‌های سطحی معدن مس سرچشمه با روش‌های آماری چندمتغیره و GIS. مجله تحقیقات آب و خاک ایران، ۵۰(۱): ۱۶۱-۱۷۶. 
سیلاخوری، ز.، ق. وهابزاده کبریا، و ح.ر. پورقاسمی. 1402. تهیه نقشه حساسیت زمین‌لغزش با استفاده از مدل بیزین (مطالعه موردی: بخشی از حوضه آبخیز تالار، استان مازندران). پژوهش های فرسایش محیطی. ۱۳ (۲) :۱۲۲-۱۴۰
قشلاقی، ا.، گ. فرقانی تهرانی و م. حیات‌الغیب. ۱۳۹۵. هیدروژئوشیمی و غلظت فلزات سنگین در آب رودخانه کاکارضا (استان لرستان). نشریه محیط زیست طبیعی، ۶۸(۴): ۶۱۹-۶۲۸. 
محجوبی، ر.، م. حسن‌پور صدقی، ع. ر. واعظی هیر و ن. مظاهری. ۱۳۹۹. غلظت عناصر سنگین و سمی در پایین‌دست باطله‌های معدنی مس سونگون و نقش بستر آهکی رودخانه در کاهش غلظت آلاینده‌ها. مجله اکو هیدرولوژی، ۷(۳): ۷۴۳-۷۵۶. 
محمدی خانقاه، م. ۱۳۹۹. تغییرات زمانی منشاء و کیفیت رسوب در حوزه آبخیز تالار. رساله دوره دکتری علوم و مهندسی آبخیزداری - گرایش زمین، دانشگاه تربیت مدرس، ایران، ۸۸ صفحه. 
ناصری، ح.ر.، م عرب، ز. کی همایون، 1403. تاثیر رودخانه سیاهرود بر آلودگی سرب و نیترات آب های زیرزمینی دشت قائمشهر-جویبار، مجله زمین شناسی مهندسی، 18(2)، 303-319.
هدایت‌زاده، ف.، ح. ر. پورخباز و م. چراغی. ۱۳۹۹. تغییرات مکانی-زمانی پارامترهای فیزیکوشیمیایی و تأثیر آن‌ها بر تجمع فلزات سنگین در آب و رسوبات آبگیر تصفیه‌خانه‌های بخشی از رودخانه کارون. نشریه اکوبیولوژی تالاب، ۱۲(۲): ۹۱-۱۰۹.
 
Al-Sulttani, A. O., M. Al-Mukhtar, A. B. Roomi, A. A. Farooque, K. M. Khedher and Z. M. Yaseen. 2021. Proposition of new ensemble data-intelligence models for surface water quality prediction. IEEE Access, 9: 108527-108541.
Arslan, O. 2013. Spatially weighted principal component analysis (PCA) method for water quality analysis. Water Resources, 40: 315-324.
Baek, S. S., J. Pyo, and J. A. Chun. 2020. Prediction of water level and water quality using a CNN-LSTM combined deep learning approach. Water, 12(12): 3399.
Bawra, B., & M. Pawar. (2023). Changes in Freshwater Systems Management and Governance: A Case Study from Mandla Madhya Pradesh. In Perspectives on Global Biodiversity Scenarios and Environmental Services in the 21st Century (pp. 1-21). IGI Global. 
Bhuyan, M.S., M.A. Bakar, A. Akhtar, M.B. Hossain, M.M. Ali and M.S. Islam. 2017. Heavy metal contamination in surface water and sediment of the Meghna River, Bangladesh. Environmental Nanotechnology, Monitoring & Management, 8: 273-279.
Bouriqi, A., N. Ouazzani, & J. F. Deliege. (2024). Modeling the Impact of Urban and Industrial Pollution on the Quality of Surface Water in Intermittent Rivers in a Semi-Arid Mediterranean Climate. Hydrology, 11(9), 150. 
Bu, H., W. Meng, Y. Zhang and J. Wan. 2014. Relationships between land use patterns and water quality in the Taizi River basin, China. Ecological Indicators, 41: 187-197.
Choudhury, M., A. Pervez, A. Sharma and J. Mehta. 2022. Human-induced stresses on the rivers beyond their assimilation and regeneration capacity. In Ecological Significance of River Ecosystems (pp. 281-298). Elsevier.
Chung, S. Y., S. Venkatramanan, N. Park, T. Ramkumar, S. B. Sujitha and M. P. Jonathan. 2016. Evaluation of physico-chemical parameters in water and total heavy metals in sediments at Nakdong River Basin, Korea. Environmental Earth Sciences, 75: 1-12.
Cosgrove, W. J. and F. R. Rijsberman. 2014. World water vision: making water everybody's business. Routledge.
Darma, A., S. A. Zakari, A. M. Sani, & H. S. Mamman. (2024). Soil pollution and heavy metal contamination: insight from effluent discharged from challawa industrial area, nigeria. Fudma Journal of Sciences, 8(6), 355–361. 
Edelmann, D., T. F. Móri and G. J. Székely. 2021. On relationships between the Pearson and the distance correlation coefficients. Statistics & Probability Letters, 169: 108960.
Edelmann, D., T.F. Móri and G.J. Székely. 2021. On relationships between the Pearson and the distance correlation coefficients. Statistics & Probability Letters, 169: 108960.
Elsayed, S., H. Hussein, F. S. Moghanm, K. M. Khedher, E. M. Eid and M. Gad. 2020. Application of irrigation water quality indices and multivariate statistical techniques for surface water quality assessments in the Northern Nile Delta, Egypt. Water, 12(12): 3300.
Feng, W., Q. Zhu, J. Zhuang and S. Yu. 2019. An expert recommendation algorithm based on Pearson correlation coefficient and FP-growth. Cluster Computing, 22: 7401-7412.
Ghimire, S., Z. M. Yaseen, A. A. Farooque, R. C. Deo, J. Zhang, and X. Tao. 2021. Streamflow prediction using an integrated methodology based on convolutional neural network and long short-term memory networks. Scientific Reports, 11(1): 17497.
Giovino, A., A. Marchese, F. Bonanno, G. Sala, F. P. Marra and G. Domina. 2023. Morphological and molecular characterization of Sicilian carob (Ceratonia siliqua L.) accessions. Caryologia, 76(3): 39-49.
Grizzetti, B., & S. Poikane. (2024). The Importance of Inland Waters. In Wetzel's Limnology (pp. 7-13). Academic Press. 
Hao, N., P. Sun, W. He, L. Yang, Y. Qiu, Y. Chen and W. Zhao. 2022. Water resources allocation in the Tingjiang River Basin: construction of an interval-fuzzy two-stage chance-constraints model and its assessment through Pearson correlation. Water, 14(18): 2928.
Hu, Y. and H. Cheng. 2013. Water pollution during China's industrial transition. Environmental Development, 8: 57-73.
Ibrahim, T. N. B. T., F. Othman, N. Z. Mahmood and T. Abunama. 2021. Seasonal effects on spatial variations of surface water quality in a tropical river receiving anthropogenic influences. Sains Malaysiana, 50(3): 571-593.
Islam, M. S., R. Proshad and S. Ahmed. 2018. Ecological risk of heavy metals in sediment of an urban river in Bangladesh. Human and Ecological Risk Assessment: An International Journal, 24(3): 699-720.
Ju, X., X. Gao, W. Li, L. Han and J. Mao. 2020. Effects of land use change on surface runoff in Beijing-Tianjin-Hebei urban agglomeration. Acta Ecol. Sin, 40: 1413-1423.
Kavian, A., M. Mohammadi, L. Gholami and J. Rodrigo-Comino. 2018. Assessment of the spatiotemporal effects of land use changes on runoff and nitrate loads in the Talar River. Water, 10(4): 445.
Khosravi, K., A.A. Farooque, M. Karbasi, M. Ali, S. Heddam, A. Faghfouri and S. Abolfathi. 2025. Enhanced water quality prediction model using advanced hybridized resampling alternating tree-based and deep learning algorithms. Environmental Science and Pollution Research, 1-20.
Kumar, V., N. Kamboj, T. Payum, J. Singh and P. Kumar (Eds.). 2020. Advances in Environmental Pollution Management: Wastewater Impacts and Treatment Technologies. Agro Environ Media, Publication Cell of AESA, Agriculture and Environmental Science Academy.
Loska, K. and D. Wiechuła. 2003. Application of principal component analysis for the estimation of source of heavy metal contamination in surface sediments from the Rybnik Reservoir. Chemosphere, 51(8): 723-733.
Meena, M. K., A. Malik, R. Singh, A. P. Singh, S. Naik, R. K. Meena and V. Kumar. 2023. Morphological and Biochemical Changes in Moth Bean during Drought Stress. International Journal of Environment and Climate Change, 13(11): 187-201.
Moncada, A. M., A. M. Melesse, J. Vithanage and R. M. Price. 2021. Long-term assessment of surface water quality in a highly managed estuary basin. International Journal of Environmental Research and Public Health, 18(17): 9417.
Nayar, R. 2020. Assessment of water quality index and monitoring of pollutants by physico-chemical analysis in water bodies: a review. International Journal of Engineering Research and Technology, 9(01).
Nirmala, K., P.S. Kumar, N.K. Ambujam and S. Srinivasalu. 2022. Assessment of physico-chemical parameters of surface waters of a tropical brackish water lake in South Asia. Environmental Research, 214: 113958.
Nishan, R. K., S. Akter, R. I. Sony, M. M. Hoque, M. J. Anee, & A. Hossain. (2024). IoT-based three-level water quality assessment system for industrial wastewater. 
Nouraki, A., M. Alavi, M. Golabi and M. Albaji. 2021. Prediction of water quality parameters using machine learning models: A case study of the Karun River, Iran. Environmental Science and Pollution Research, 28(40): 57060-57072.
Olsen, R. L., R. W. Chappell and J. C. Loftis. 2012. Water quality sample collection, data treatment and results presentation for principal components analysis–literature review and Illinois River watershed case study. Water Research, 46(9): 3110-3122.
Panda, P. K., R. B. Panda and P. K. Dash. 2018. The study of water quality and Pearson’s correlation coefficients among different physico-chemical parameters of River Salandi, Bhadrak, Odisha, India. American Journal of Water Resources, 6(4): 146-155.
Pranoto, R., M. Sopandi, R. Harumansah, S. K. Saptomo and A. Darmawan. 2019, April. Water balance prediction as impact land use change by GIS based SCS-CN and Thornthwaite-Mather method. In 2019 5th International Conference on Computing Engineering and Design (ICCED) (pp. 1-6). IEEE.
Rahman, Z. and V. P. Singh. 2019. The relative impact of toxic heavy metals (THMs)(arsenic (As), cadmium (Cd), chromium (Cr)(VI), mercury (Hg), and lead (Pb)) on the total environment: an overview. Environmental Monitoring and Assessment, 191: 1-21.
Romani, L. C., M. C. Raimundi, V. D. Longo, A. F. Camargo, & H. Treichel. (2024). Innovative Technologies for the Treatment of Industrial Wastewater. In Innovative and Hybrid Technologies for Wastewater Treatment and Recycling (pp. 261-282). CRC Press. 
Saalidong, B. M., S. A. Aram, S. Otu and P. O. Lartey. 2022. Examining the dynamics of the relationship between water pH and other water quality parameters in ground and surface water systems. PloS One, 17(1): e0262117.
Saravanan, P., V. Saravanan, R. Rajeshkannan, G. Arnica, M. Rajasimman, B. Gurunathan, & A. Pugazhendhi. (2024). Comprehensive review on toxic heavy metals in the aquatic system: sources, identification, treatment strategies, and health risk assessment. Environmental Research, 119440. 
Shah, S. K., M. B. Adhikari, & A. Bhattarai. (2024). Analysis of Heavy Metal Contamination in Industrial Wastewater along the Biratnagar–Duhabi Industrial Corridor: Their Environmental Impacts. Tribhuvan University Journal, 39(2), 27-46. 
Shrestha, S., F. Kazama and T. Nakamura. 2008. Use of principal component analysis, factor analysis and discriminant analysis to evaluate spatial and temporal variations in water quality of the Mekong River. Journal of Hydroinformatics, 10(1): 43-56.
Simão, M. L., P. M. Videiro, P. B. A. Silva, L. P. de Freitas Assad, and L. V. S. Sagrilo. 2020. Application of Taylor diagram in the evaluation of joint environmental distributions' performances. Marine Systems & Ocean Technology, 15: 151-159.
Singh, K. P., A. Malik, D. Mohan and S. Sinha. 2004. Multivariate statistical techniques for the evaluation of spatial and temporal variations in water quality of Gomti River (India)—a case study. Water Research, 38(18): 3980-3992.
Solanki, A., H. Agrawal and K. Khare. 2015. Predictive analysis of water quality parameters using deep learning. International Journal of Computer Applications, 125(9): 0975-8887.
Taylor, K. E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7): 7183-7192.
Toumi, S., S. Lekmine, N. Touzout, H. Moussa, N. Elboughdiri, R. Boudraa, ... and H. Tahraoui. 2024. Harnessing Deep Learning for Real-Time Water Quality Assessment: A Sustainable Solution. Water, 16(23): 3380.
Vadrevu, K. P. and T. Ohara. 2020. Focus on land use cover changes and environmental impacts in South/Southeast Asia. Environmental Research Letters, 15(10): 100201.
Wang, D., C. Zhang, A. Li, Y. Guo, H. Zhang and C. Tan. 2025. Spatio-temporal analysis and prediction for raw water quality of drinking water source by improved RNN algorithm. Journal of Water Process Engineering, 71: 107164.
Wen, T., Y. Cheng, Y. Yuan, & R. Sun. (2025). Quantitative analysis and risk assessment of heavy metal pollution in an intensive industrial and agricultural region. Ecotoxicology and Environmental Safety, 289, 117634.
Wu, J., Z. Wang and L. Dong. 2021. Prediction and analysis of water resources demand in Taiyuan City based on principal component analysis and BP neural network. AQUA—Water Infrastructure, Ecosystems and Society, 70(8): 1272-1286.
Zhang, C.F., Z.Y. Wang, Q. Wang and C.H. Yang. 2025. Interaction of population density and slope will exacerbate spatiotemporal changes in land use and landscape patterns in mountain city. Scientific Reports, 15(1): 3168.
Zhao, R., H. Bu, X. Song and Y. Zhang. 2021. A multivariate analysis of the spatial variations of water quality during high-flow period in the Chaobai River (Beijing, China) restored by reclaimed water. Water Supply, 21(6): 3168-3179.
Zheng, Y., J. Wei, W. Zhang, Y. Zhang, T. Zhang and Y. Zhou. 2024. An ensemble model for accurate prediction of key water quality parameters in river based on deep learning methods. Journal of Environmental Management, 366: 121932.
Zhu, X., L. Wang, X. Zhang, M. He, D. Wang, Y. Ren and H. Pan. 2022. Effects of different types of anthropogenic disturbances and natural wetlands on water quality and microbial communities in a typical black-odor river. Ecological Indicators, 136: 108613.