پیش بینی سطح ایستابی آب زیرزمینی آبخوان چهاردولی در شهرستان قروه با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان

شالودگی, اسدالله; بایزیدی, مطلب

doi:10.22084/nfag.2021.23954.1461

پیش بینی سطح ایستابی آب زیرزمینی آبخوان چهاردولی در شهرستان قروه با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان

نویسندگان

¹ کارشناس‌ارشد مهندسی آب، دانشگاه آزاد اسلامی، واحد سنندج، سنندج، ایران

² استادیار گروه مهندسی آب، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران

10.22084/nfag.2021.23954.1461

چکیده

تخمین تراز سطح ایستابی از مسایل مهم و اساسی در برنامهریزی کشاورزی، مدیریت منابع آب و تعیین نیاز آبی گیاهان است. در این تحقیق کارایی مدلهای شبکه عصبی مصنوعی و ماشینبردار پشتیبان در تخمین سطح آب زیرزمینی آبخوان چهاردولی در شهرستان قروه مورد بررسی قرار گرفت. برای اجراء مدلها از دادههای بارش، دبی و دما و تراز سطح ایستابی در ماه قبل به عنوان متغیرهای ورودی و تراز سطح ایستابی در ماه بعد به عنوان متغیر خروجی در مقیاس زمانی ماهانه در طی دوره آماری (1396-1385) استفاده گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورد استفاده قرار گرفت. برای مدلسازی با روشهای یاد شده، از سال 1385-1394 دادههای آموزش و از سال 1394-1396 دادههای اعتبارسنجی مدل استفاده شدند. نتایج بدست آمده نشان داد که هر دو مدل در برآورد تراز سطح ایستابی دقت قابل قبولی داشته، به طوریکه معیار ضریب تبیین در مرحلة واسنجی در مدلهای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برابر با 74/0 و 94/0 بودند. مقایسة دو مدل نشان داد که مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی عملکرد بهتری دارد و دقت پیشبینی برای یکسال در این مدل کاهش یافته است.

کلیدواژه‌ها

عنوان مقاله [English]

Predicting the groundwater level of Chahardoli aquifer in Qorveh city using artificial neural network and support vector machine

نویسندگان [English]

A. Shalodegi ¹
M. Byzedi ²

¹ M. Sc., of Water Engineering, Islamic Azad University, Sanandaj Branch, Sanandaj, Iran

² Assist. Prof., Dept., of Water Engineering, Islamic Azad University, Sanandaj Branch, Sanandaj, Iran

چکیده [English]

Estimating water level is one of the most important and basic issues in agricultural planning, water resources management and determining the water needs of plants. In this study, the efficiency of artificial neural network models and support vector machines in estimating the groundwater level of Chahardoli aquifer in Qorveh city was investigated. To run the models, from the data of precipitation, flow and temperature and water level level in the previous month as input variables and water level in the next month as output variable on a monthly time scale during the statistical period (2006-2017) was used. The criteria of correlation coefficient, root mean square error and mean absolute error value were used to evaluate and also compare the performance of the models. For modeling with the mentioned methods, training data from 2006-2015 and model validation data from 2015-2016 were used. The results showed that both models had acceptable accuracy in estimating the water table level. So that the coefficient of determination in the calibration stage in the models of artificial neural network and support vector machine were equal to 0.74 and 0.94. Comparison of the two models showed that the support vector machine model performs better than the artificial neural network and the prediction accuracy has been decreased for one year in this model.

کلیدواژه‌ها [English]

Water Resources
Predicting
Performance
Aquifer

مراجع

گویلی، س.، جوادی، س.، ابراهیم بنی حبیب، م.، ثانی خانی، ه (1397) مقایسه مدلهای هوشمند در پیشبینی نوسانات تراز سطح آب دریاچه زریوار با در نظرگیری تراز آب زیرزمینی. مجله تحقیقات منابع آب ایران، سال چهاردهم. شماره 3 (پیاپی 45)، ص 339-344.

میثاقی، ف.، محمدی، ک (1385) پهنهبندی اطلاعات بارندگی با استفاده از روشهای آماری کلاسیک و زمینآمار و مقایسه با شبکههای عصبی مصنوعی. مجله علمی کشاورزی، دوره 29، شماره 3، ص 1-13.

آخونیپور حسینی، ف.، اسدی، ا (1396) کاربرد شبکه بیزین و مدل ماشینبردار پشتیبان در پیشبینی تغییرات سطح تراز ایستابی (مطالعه موردی: دشت اردبیل)، دوره 11، شماره 36، ص 33-42.

بایزیـدی، م.، کاکـی، م (1400) تغـییرات حـجم ذخـیره و بهره‏برداری از آبخوان‏های دشت های شرق استان کردستان. مجله اکو هیدرولوژی، دوره 6، شماره 1، ص 57-72.

جلالی، م.، کمانگر، م.، رزمی، ر (1398) پیش‌بینی مدل مکانی سطح ایستابی با استفاده از تابع هایپربولیک تانژانت شبکهی عصبی مطالعهی موردی: دشت سرخون. مجله هیدروژئومورفولوژی، دوره 6، شماره 20، ص 101-119.

Ahmadi, F., Radmanesh, F., Mirabasi najafabadi, R (2014) Comparison of genetic algorithm and support vector machine to predict daily river flow (Case Study: BarandozChay River). Journal of Soil and Water (Food Science and Industry), 28(6): 1171-1116.

Nash, JE., Sutcliffe, JV (1970) River flow forecasting through conceptual models. Part 1 – a discussion of principles. Journal Hydrology, 192: 211–232.

Kaveh, A (2004) Structural Mechanics: Graph and Matrix Methods, Research Studies Press (John Wiley), Exeter, U.K., 1992 (first edition), 1995 (second edition), 2004 (third edition), 100p.

Suykens, J. A. K., Gestel, T. V., Brabanter, J. D., Moor, B. D., Vandewalle, J (2002) Least Squares Support Vector Machines. Copyright by World Scientific Publishing Co. Pie. Ltd. 58: 72-75, 98-99.

Yu, P. S., Chen, S. T., Chang, I. F (2006) Support vector regression for real-time flood stage forecasting. Journal of Hydrology, 328: 704-716.

Mirzavand, M., Ghazavi, R (2014) A Stochastic Modelling Technique for Groundwater Level Forecasting in an Arid Environment Using Time Series Methods. Water Resources Manage, 29: 1315-1328.

Porte, P., Kumar Isaac, R., Kiran Singh Mahilang, K., Sonboier, K., Minj, P (2018) Groundwater Level Prediction Using Artificial Neural Network Model. International Journal of Current Microbiology and Applied Sciences, 2(7): 2319-7706.

Daliakopoulos, I. N., Coulibaly, P. and Tsanis, I. K (2005) Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(4): 229-240.

He, Zh., Wen, X., Liu, H., Du, J (2014) A comparative study of artificial Neural Network, adaptive Neuro Fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509: 379-386.

Barzegar, R., Fijani, E., Asghari Moghaddam, A., Tziritis, E (2017) Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment, 599: 20-31.

Sarangi, A., Bhattacharya, A. K (2005) Comparison of Artificial Neural Network and Regression Modelsfor Sediment Loss Prediction from Banha Watershed in India. Agricultural water management, 28(4): 373-385.

Solaimani, K (2009) Rainfall-Runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed). American-Eurasian Journal of Agriculture and Environment, Science, 5(6): 856-865.

Dehghani, A. A., Asgari, M., Mosaedi, A (2009) Comparison of Geostatistics, Artifitial Neural Networks and Adaptive Neuro-Fuzzy Inference System Approaches in Groundwater Level Interpolation (Case study: Ghazvin aquifer). Journal of Agriculture Science Natural Resource,16 (1): 517-528.