Abstract The need for accurate predictions of water quality in rivers has encouraged researchers to develop new methods and to improve the predictive ability of conventional models. In recent years, artificial intelligence (AI)-based methods have been recognized significantly powerful for this purpose. In this study, the performance of the various types of single and hybrid AI models including artificial neural networks (ANNs), genetic programming (GP), fuzzy logic (FL), support vector machine (SVM), hybrid neuro-fuzzy (NF), hybrid ANN-ARIMA, hybrid genetic algorithm-neural networks (GA-NN), and wavelet-based hybrid models such as wavelet-neural networks (WANN), wavelet-neuro fuzzy (WNF), wavelet-support vector regression (WSVR), and wavelet-linear genetic programming (WLGP) models were investigated for the prediction of water quality in rivers. In this review paper, for each of the models, firstly, a brief introduction is provided. Then some recently published papers are presented to review the performance of the model for modeling water quality in rivers. For this purpose, 51 journal papers that were published from 2000 to 2016 and dealing with the use of the single and hybrid AI models for river water quality prediction were selected. The review of these papers is undertaken in terms of the predictor selection, data normalization, train, and test data division, modeling approaches, prediction time steps, and modeling performance evaluation procedures. The effect of using integrated models to improve the prediction accuracy of the single models was investigated as well. Out of the 51 selected papers, 31 papers (~60% of the entire papers) were published in the past five years. The selected papers have been cited up to 1716 times before 20th February 2016. Among the various modeling techniques, the ANN and WANN models (17 and 7 papers, respectively) were the most widely used single and hybrid models. In the reviewed papers, more attention is given to the modeling of dissolved oxygen (DO) and suspended sediment in rivers. In 23 papers, data with daily time intervals were used for water quality modeling. The present paper covers 13 different single and hybrid AI models. It presents a comprehensive investigation into the application of AI methods for modeling river water quality and offers a critical insight into the use and reliability of the various modeling approaches for modeling diverse water quality measurements.

中文翻译：

---

基于人工智能的河流水质预测单一和混合模型：综述

摘要 对河流水质准确预测的需求促使研究人员开发新方法并提高传统模型的预测能力。近年来，基于人工智能 (AI) 的方法已被认为非常强大。在这项研究中，各种类型的单一和混合 AI 模型的性能，包括人工神经网络 (ANN)、遗传编程 (GP)、模糊逻辑 (FL)、支持向量机 (SVM)、混合神经模糊 (NF) 、混合ANN-ARIMA、混合遗传算法-神经网络（GA-NN）和基于小波的混合模型，如小波-神经网络（WANN）、小波-神经模糊（WNF）、小波-支持向量回归（WSVR） , 和小波线性遗传规划 (WLGP) 模型被研究用于预测河流水质。在这篇综述论文中，首先对每个模型进行了简要介绍。然后介绍了一些最近发表的论文，以回顾模型对河流水质建模的性能。为此，选择了 2000 年至 2016 年发表的 51 篇期刊论文，这些论文涉及使用单一和混合 AI 模型进行河流水质预测。这些论文的审查是在预测器选择、数据规范化、训练和测试数据划分、建模方法、预测时间步长和建模性能评估程序方面进行的。还研究了使用集成模型提高单个模型预测精度的效果。在入选的 51 篇论文中，31 篇（约占全部论文的 60%）是在过去五年内发表的。入选论文在 2016 年 2 月 20 日前被引用次数高达 1716 次。在各种建模技术中，ANN 和 WANN 模型（分别为 17 和 7 篇论文）是使用最广泛的单一和混合模型。在审查的论文中，更多地关注了河流中溶解氧 (DO) 和悬浮泥沙的建模。在 23 篇论文中，每日时间间隔的数据用于水质建模。本文涵盖了 13 种不同的单一和混合 AI 模型。它对 AI 方法在河流水质建模中的应用进行了全面调查，并提供了对各种建模方法的使用和可靠性的重要见解，用于对不同的水质测量进行建模。在各种建模技术中，ANN 和 WANN 模型（分别有 17 篇和 7 篇论文）是使用最广泛的单一模型和混合模型。在审查的论文中，更多地关注了河流中溶解氧 (DO) 和悬浮泥沙的建模。在 23 篇论文中，每日时间间隔的数据用于水质建模。本文涵盖了 13 种不同的单一和混合 AI 模型。它对 AI 方法在河流水质建模中的应用进行了全面调查，并提供了对各种建模方法的使用和可靠性的重要见解，用于对不同的水质测量进行建模。在各种建模技术中，ANN 和 WANN 模型（分别有 17 篇和 7 篇论文）是使用最广泛的单一模型和混合模型。在审查的论文中，更多地关注了河流中溶解氧 (DO) 和悬浮泥沙的建模。在 23 篇论文中，每日时间间隔的数据用于水质建模。本文涵盖了 13 种不同的单一和混合 AI 模型。它对 AI 方法在河流水质建模中的应用进行了全面调查，并提供了对各种建模方法的使用和可靠性的重要见解，用于对不同的水质测量进行建模。对河流中溶解氧 (DO) 和悬浮泥沙的建模给予了更多关注。在 23 篇论文中，每日时间间隔的数据用于水质建模。本文涵盖了 13 种不同的单一和混合 AI 模型。它对 AI 方法在河流水质建模中的应用进行了全面调查，并提供了对各种建模方法的使用和可靠性的重要见解，用于对不同的水质测量进行建模。对河流中溶解氧 (DO) 和悬浮泥沙的建模给予了更多关注。在 23 篇论文中，每日时间间隔的数据用于水质建模。本文涵盖了 13 种不同的单一和混合 AI 模型。它对 AI 方法在河流水质建模中的应用进行了全面调查，并提供了对各种建模方法的使用和可靠性的重要见解，用于对不同的水质测量进行建模。