The use of artificial neural networks (ann) to predict the concentration of mineral forms of nitrogen in waters of the upper Narew River

Celem prezentowanych w pracy badań było skonstruowanie sztucznej sieci neuronowej do prognozowania stężenia nieorganicznych form azotu w wodach górnej Narwi w zależności od niektórych charakterystycznych cech zlewni. Badania wód Narwi prowadzono w latach 2001-2005, pobierając raz w miesiącu próbki z 10 zlokalizowanych na rzece stanowisk kontrolnych. W czasie 5 lat badańuzyskano 1800 wyników (3 formy azotu). W próbkach wody badano stężenie azotu amonowego, azotu azotanowego (III) i azotu azotanowego (V). Na potrzeby pracy skorzystano z automatycznego projektanta sieci neuronowych zawartego w pakiecie statystycznym Statistica 8.0. Do projektowania sieci wykorzystano algorytm ze wsteczną propagacją błędów. Na podstawie zgromadzonych danych wejściowych i wyjściowych przetestowano 1000 sieci i wybrano jedną w czasie procesu uczenia sieci na zadanej puli wyników liczbowych. Wartości współczynników korelacji r i porównanie stężenia zmierzonego i prognozowanego analizowanych parametrów upoważniają do stwierdzenia, że zaprojektowana sieć umożliwia ograniczoną prognozę wartości stężenia mineralnych form azotu na podstawie zaimplementowanych zmiennych wejściowych.The aim of this work was to construct an artificial neural network to estimate the concentration of inorganic forms of nitrogen in waters of the upper Narew River depending on certain characteristics of the catchment. The study of the Narew River waters was carried out in the years 2001-2005 by collecting samples once a month from 10 sampling sites. In total 1800 results (3 forms of nitrogen) were obtained during 5 years of the study. Analysed forms of nitrogen included ammonium nitrogen, nitrate nitrogen (III) and nitrate nitrogen (V). The automatic neural network designer with the backward propagation of errors from the statistical package Statistica 8.0 was used in this paper. Based on obtained input and output data 1000 networks were tested and one was selected in the process of learning networks for a given pool of numerical results. Correlation coefficients r and a comparison of measured and predicted concentrations of the analyzed parameters allowed for the conclusion that the designed network enables limited prediction of the concentrations of mineral nitrogen based on implemented input variables