در دهه‌های اخیر ابزار محاسبات نرم و سیستم‌های هوشمند به عنوان روشهای جدید مدل‌سازی سیستم‌های پیچیده مهندسی معرفی شده‌اند.  داده‌کاوی فرایند کشف رابطه‌ها، الگوها و روندهای جدید معنی‌داری است که به بررسی حجم وسیعی از اطلاعات ذخیره شده در انبارهای داده با فناوری‌های تشخیص الگو می‌پردازد.  تکنیـک‌هـای داده‌کـاوی و هوش مصنوعی در دو دهه اخیر توسعه زیادی یافته‌اند. از این تکنیک‌ها هم می‌توان بـرای کـشف و استخراج دانش از یک پایگاه داده‌ها و هم برای ایجاد مدل‌های پیش‌بینـی اسـتفاده نمـود. 

ابزارهای داده‌کاوی نظیر سیستم استنباط فازی و شبکه‌های عصبی مصنوعی، درخت‌های تصمیم‌گیری، ماشین‌های بردار حامی، سیستم استنباط بیزی، مدل‌های درختی و سیستم ترکیبی فازی-عصبی و سایر روشها در بخش‌های مختلف مهندسی آب و محیط‌زیست بکار گرفته شده‌اند.  

بررسی ، تخمین و پیش بینی  پدیده‌های مختلف در حوزه مهندسی آب (هیدرولوژی، آبهای زیرمینی ، مهندسی رودخانه‌ها، سواحل، دریاها، و …)، مانند بررسی میزان انتقال رسوبات معلق و بستر در رودخانه، تخمین فرسایش و آبشستگی، بررسی کیفیت آبهای سطحی و زیرزمینی، نحوه پخش آلودگی در آب، پیش‌بینی میزان دبی رودخانه، بررسی پارامترهای امواج ناشی از باد در دریا، تخمین بارش و رواناب و سایر پدیده‌های مهم در این حوزه را می توان بر اساس روش‌های هوش مصنوعی، داده‌کاوی و یادگیری ماشین انجام داد. 

تکنیک‌های داده‌کاوی و تکنیک‌های آماری در مباحثی چون تعریف مقدار هدف برای پیش‌گویی، عملکرد خوبی دارند. 

در پاسخ به این سئوال که چرا استفاده از روش‌های داده‌کاوی به روش‌های آماری ترجیح داده می‌شود، می‌توان به موارد زیر اشاره نمود:

•  روش‌های آماری، روش‌های قدیمی‌تری هستند که به حالت‌های احتمالی مربوط می‌شوند.

•  در تکنیک‌های آماری، فرض می‌شود که توزیع داده‌ها مشخص می‌باشد (در اکثر موارد فرض بر این است که توزیع داده‌ها، نرمال است) و در نهایت درستی یا نادرستی نتایج نهایی به درست بودن فرض اولیه وابسته است. در مقابل روش‌های داده‌کاوی از هیچ فرض اولیه‌ای در مورد داده‌ها، استفاده نمی‌کند.

•  پایه و اساس داده‌کاوی، در دو مقوله آمار و هوش مصنوعی خلاصه می‌گردد که روش‌های هوش مصنوعی به عنوان روش‌های یادگیری ماشین در نظر گرفته می‌شوند.

•  داده‌کاوی جایگاه جدید‌تری دارد که به هوش مصنوعی، یادگیری ماشین، سیستم‌های اطلاعات مدیریت و متدولوژی پایگاه داده‌ها مربوط می‌شود.

•  ابزارهای داده‌کاوی، روش‌های قوی‌تری برای داده‌های واقعی می‌باشند.

•  ابزارهای داده‌کاوی با اطلاعات کمتر، عملکرد بهتری دارند.

•  استفاده از ابزارهای داده‌کاوی، برای کاربرانی که تجربه کمتری دارند، راحت‌تر است.

•  تکنیک‌های آماری، تنها با داده‌های عددی کار می‌کنند، در حالیکه روش‌های داده‌کاوی، با هر نوع داده، اعم از پیوسته و گسسته (عددی و غیر عددی) توانایی توسعه دارند.

  نکته مهم و قابل توجه در استفاده از روش‌های هوش مصنوعی، دقت بسیار بالا (نسبت به روش‌های تجربی) و هزینه محاسباتی نسبتا پایین آنها می‌باشد. همجنین این روش‌ها با استفاده از پارامترهای اندکی قادر به پیش‌بینی و تخمین در دقت مناسب می‌باشند.

روش‌های مختلف داده‌کاوی در واقع رابطه بین پارامترهای وابسته و مستقل را تعیین نموده و به نوعی مناسبترین تابع را بر روی پارامترها برازش می‌دهند. این روش‌ها، قادر به تقریب هر تابع غیر خطی می‌باشند. 

یکی از کاربردهای مهم داده‌کاوی، تعیین میزان اهمیت پارامترهای مستقل می‌باشد. بدین معنا که مهمترین پارامتر و یا پارامترهای دارای بیشترین اثر در پدیده مورد بحث تعیین می‌گردند. روش متداول در این زمینه انجام آنالیز حساسیت است. بدان معنا که وابستگی و حساسیت تغییرات پارامترهای وابسته به تغییر در پارامترهای مستقل تا چه حدی است.

جواد محجوبی

مدیرعامل شرکت سهامی آب منطقه ای یزد