نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز

2 گروه مهندسی آب دانشگاه تبریز

3 دانشکده بهداشت، دانشگاه علوم پزشکی تبریز

10.22034/ewe.2022.349535.1795

چکیده

تعیین کیفیت آب برای مصارف مختلف از اهمیت ویژه‌ای برخوردار است. ازجمله پارامترهای مهم در کیفیت، مقدار کدورت (Turbidity) و عمق نفوذ نور در آب است. یکی از روش‌های رایج تعیین کدورت آب، استفاده از دیسک سکی است، اما این روش زمان‌بر و پرهزینه است، بنابراین باید به فکر توسعه روشی جایگزین بود. روش‌های نوین یادگیری عمیق می‌توانند در این زمینه نقش مهمی ایفا کنند. هدف از این مطالعه، طبقه‌بندی کیفیت آب بر اساس کدورت و عمق دیسک سکی با استفاده از روش شبکه عمیق کانولوشن توسعه داده شده در نرم‌افزار پایتون است. برای این منظور از مخزن شبیه‌سازی‌شده در آزمایشگاه استفاده گردید و گام‌به‌گام با افزایش خاک رس به آب مخزن، میزان کدورت آن افزایش داده شد. هم‌زمان با اندازه‌گیری عمق دیسک سکی و میزان کدورت آب، از نمونه‌ها تصویربرداری انجام گرفت. این تصاویر همراه با داده‌های به‌دست‌آمده به شبکه عمیق کانولوشن داده شد. نتایج نشان داد که شبکه عصبی کانولوشن در تعداد تکرار 300، می‌تواند با دقت 95% و آماره کاپای 93% طبقه کیفیت آب را تخمین بزند و فقط 5% خطا دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of water turbidity and depth of Secchi disk using Convolutional neural network

نویسندگان [English]

  • Hajar Feizi 1
  • Mohammad Taghi Sattari 2
  • Mohammad Mosaferi 3

1 , Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz,

2 Department of Water Engineering,-University of Tabriz,

3 Department of Environmental Health Engineering, Faculty of Health, Tabriz University of Medical Sciences, Tabriz,

چکیده [English]

Determining water quality for different uses is of particular importance. One of the important parameters in water quality is the amount of turbidity and the depth of light penetration into the water. One common way to determine water turbidity is to use a Secchi-disk, but this method is time-consuming and expensive, so an alternative method should be considered. New methods of deep learning can play an important role in this regard. The purpose of this study is to classify water quality based on the turbidity and depth of the Secchi disk using the convolutional neural network developed in Python software. For this purpose, a simulated reservoir was used in the laboratory and the turbidity was increased step by step by increasing the clay in the reservoir water. Simultaneously with measuring the depth of the Secchi disk and water turbidity, the samples were imaged. These images were given to the convolutional neural network together with the obtained data. The results showed that the convolutional neural network with 300 epochs, can estimate the water quality class with 95% accuracy and 93% kappa statistic, and it has only 5% error rate.

کلیدواژه‌ها [English]

  • Laboratory
  • Python software, image
  • water quality
  • Deep learning