طبقه‌بندی میزان کدورت آب و عمق دیسک سکی با استفاده از شبکه عصبی کانولوشن

فیضی, هاجر; ستاری, محمدتقی; مسافری, محمد

doi:10.22034/ewe.2022.349535.1795

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش آموخته دکتری، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

² دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

³ استاد، گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز، تبریز، ایران

https://doi.org/10.22034/ewe.2022.349535.1795

چکیده

ازجمله پارامترهای مهم در کیفیت آب، میزان کدورت و عمق نفوذ نور در آب است. یکی از روش‌های رایج برای تعیین کدورت آب استفاده از دیسک سکی است، اما این روش زمان‌بر و پرهزینه است، بنابراین باید یک روش جایگزین در نظر گرفت. روش‌های یادگیری عمیق می‌توانند نقش مهمی در این زمینه ایفا کنند. هدف از این مطالعه، طبقه‌بندی کیفیت آب بر اساس کدورت و عمق دیسک سکی با استفاده از روش شبکه عصبی کانولوشن اجرا شده در محیط برنامه‌نویسی پایتون بود. بدین منظور از یک مخزن شبیه‌سازی شده در آزمایشگاه استفاده شد و گام‌به‌گام با افزایش خاک رس به آب مخزن، میزان کدورت آن افزایش داده شد. همزمان با اندازه‌گیری عمق دیسک سکی و کدورت آب، از نمونه‌ها تصویربرداری انجام گرفت. این تصاویر همراه با داده‌های به دست آمده به شبکه عصبی کانولوشن داده شد. نتایج نشان داد که شبکه عصبی کانولوشن با تعداد 300 تکرار می‌تواند کلاس کیفی آب را با دقت 95% و آماره کاپا 93% تخمین بزند و تنها 5%خطا دارد.

کلیدواژه‌ها

20.1001.1.24763683.1402.9.2.5.0

موضوعات

آلودگی آب

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 Ph.D Alumni, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran

² Assoc. Professor, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran

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

چکیده [English]

Among the important parameters in water quality, are the amount of turbidity and the depth of light penetration in 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. Deep learning methods can play an important role in this field. The purpose of this study was to classify water quality based on turbidity and Secchi disk depth using a convolutional neural network method implemented in a Python programming environment. 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 a 5% error rate.

کلیدواژه‌ها [English]

Deep Learning
Image
Laboratory
Python Software
Water Quality

مراجع

Aghighi, H., Ali Mohammadi, A., Serajian, M. and Ashurlu, d. (2008). Estimation of Gorgan Bay water turbidity using IRS LISS-III images. J. Space Plan. Design, 13(3), 55-72 [In Persian].

Anonymous (2011). Evaluating household water treatment options. World Health Organization. Available on: https://apps.who.int.

Apaydin, H., Feizi, H., Sattari, M. T., Colak, M. S., Shamshirband, S. and Chau, K. W. (2020). Comparative analysis of recurrent neural network architectures for reservoir inflow forecasting. J. Water, 12(5), 1500. DOI: 10.3390/w12051500.

Baratloo, A., Hosseini, M., Negida, A. and El Ashal, G. (2015). Part 1: simple definition and calculation of accuracy, sensitivity and specificity. Educat., 3(2), 48-49.

Feizi, H., Apaydin, H., Sattari, M. T., Colak, M. S. and Sibtain, M. (2022). Improving reservoir inflow prediction via rolling window and deep learning-based multi-model approach: case study from Ermenek Dam, Turkey. Stochastic Environ. Res. Risk Assess., 36, 1-21. DOI: 10.1007/s00477-022-02185-3.

Ferentinos, K. (2018). Deep learning models for plant disease detection and diagnosis. Comput. Electron. Agri., 145, 311–318. DOI: 10.1016/j.compag.2018.01.009

Han, J., Pei, J. and Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

Hussain, I., Ahamad, K. and Nath, P. (2016). Water turbidity sensing using a smartphone. RSC Adv., 6(27), 22374-22382. DOI: 10.1039/C6RA02483

Kallio, K., Attila, J., Härmä, P., Koponen, S., Pulliainen, J., Hyytiäinen, U. M. and Pyhälahti, T. (2008). Landsat ETM+ images in the estimation of seasonal lake water quality in boreal river basins. Environ. Manage., 42(3), 511-522. DOI: 10.1007/s00267-008-9146-y.

Kamboj, N. and Kamboj, V. (2019). Water quality assessment using overall index of pollution in riverbed-mining area of Ganga-River Haridwar, India. Water Sci., 33(1), 65-74. DOI: 10.1080/11104929.2019.1626631.

Karnawat, V. and Patil, S. L. (2016). Turbidity detection using image processing. In 2016 International Conference on Computing, Communication and Automation (ICCCA) (pp. 1086-1089). IEEE. DOI: 10.1109/CCAA.2016.7813877.

Montassar, I. and Benazza-Benyahia, A. (2020). Water turbidity estimation in water sampled images. In 2020 5th International Conference on Advanced Technologies for Signal and Image Processing (ATSIP), 1-5. DOI: 10.1109/ATSIP49331.2020.9231862.

Najafzadeh, M., Ghaemi, A. and Emamgholizadeh, S. (2019). Prediction of water quality parameters using evolutionary computing-based formulations. Int. J. Environ. Sci. Technol., 16(10), 6377-6396. DOI: 10.1007/s13762-018-2049-4.

Naresh Kumar, M., Murthy, C. S., Sesha Sai, M. V. R. and Roy, P. S. (2009). On the use of standardized precipitation index (SPI) for drought intensity assessment. Meteorol. Appl. 16, 381–389. DOI:10.1002/met.136.

Oga, T., Umeki, Y., Iwahashi, M. and Matsuda, Y. (2018). River water quality estimation based on convolutional neural network. Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC). 1305-1308. DOI: 10.23919/APSIPA.2018.8659554.

Pan, B., Hsu, K., AghaKouchak, A. and Sorooshian, S. (2019). Improving precipitation estimation using convolutional neural network. Water Resour. Res., 55(3), 2301-21. DOI: 10.1029/2018WR024090.

Preisendorfer, W. (1986). Secchi disk science: Visual optics of natural waters. DOI: 10.4319/lo.1986.31.5.0909.

Rangzan, k., Fattahi Moghaddam, M., Saberi, A., Hosseini Zare, n. and Mobad, P. (2012). Estimation of water quality of Karun River in Ahvaz area by ground data, field spectroscope 3 and hyperspectral data of hyperion sensor. Adv. Appl. Geol., 2(4), 98-108 [In Persian].

Salamati, N. and Moazed, H. (2008). Investigation of the effects of irrigation water turbidity on some physical and hydraulic properties of soil. Agri. Res. Water Soil Plant. Agri., (1)8, 113-123 [In Persian].

Taheri Shahraeini, H. (2014). Experimental modeling of transparency in the Caspian Sea using MERIS data. J. Space Sci. Technol., (2)7, 11-21 [In Persian].

Wang, Z. Y. and Chunhong, H. U. (2009). Strategies for managing reservoir sedimentation. Int. J. Sediment Res., 24(4), 369-384. doi.org/10.1016/S1001-6279(10)60011-X.

Zhang, K., Thé, J., Xie, G. and Yu, H. (2020). Multi-step ahead forecasting of regional air quality using spatial-temporal deep neural networks: a case study of Huaihai Economic Zone. J. Clean. Product., 277, 123231. DOI: 10.1016/j.jclepro.2020.123231.

محیط زیست و مهندسی آب

طبقه‌بندی میزان کدورت آب و عمق دیسک سکی با استفاده از شبکه عصبی کانولوشن

مراجع

مراجع

دوره 9، شماره 2
تیر 1402
صفحه 211-224

طبقه‌بندی میزان کدورت آب و عمق دیسک سکی با استفاده از شبکه عصبی کانولوشن

مراجع

مراجع

دوره 9، شماره 2تیر 1402صفحه 211-224

دوره 9، شماره 2
تیر 1402
صفحه 211-224