كاربرد شبكه بيزين و مدل ماشين بردار پشتيبان در پيش‌بيني تغييرات سطح تراز ايستابي (مطالعه موردي: دشت اردبيل)

Bayesian networks, Gamma Test, Groundwater level, model Least Squares Support Vector Machine, Plain Ardebil

آب­هاي زيرزميني به‌عنوان يكي از منابع مهم و عمده تأمين آب شرب و كشاورزي، به‌ويژه در مناطق خشك و نيمه‌خشك مطرح بوده است. شبيه‌سازي سيستم آب­هاي زيرزميني به دليل پيچيدگي اين سيستم­ها به‌آساني ميسر نيست. در اين مقاله با استفاده از داده­هاي سطح تراز ايستابي دشت اردبيل در بازه زماني(1390-1351)، به ارزيابي عملكرد آزمون گاما براي پردازش و انتخاب ورودي­هاي مناسب و كارايي مدل­­هاي حداقل مربعات ماشين بردار پشتيبان و شبكه بيزين پرداخته شد. پارامترهاي سطح تراز ايستابي ماهانه با تأخيرهاي مختلف به‌عنوان ورودي آزمون گاما در نظر گرفته شد. نتايج آزمون گاما نشان داد كه سطح تراز ايستابي با شش تأخير زماني، نتايج بهتري به‌منظور پيش‌بيني ارائه مي‌دهد. شبيه‌سازي سطح تراز ايستابي با استفاده از دو مدل حداقل مربعات ماشين بردار پشتيبان و شبكه بيزين نيز نشان داد كه بهترين ساختار ورودي براي پيش‌بيني سطح تراز ايستابي ماه بعد، تا شش تأخير زماني خواهد بود. از ميان دو مدل با ساختار ورودي يكسان، مدل حداقل مربعات ماشين بردار پشتيبان، عملكرد بهتري را با توجه به ضريب تبيين 977/0، ميانگين خطاي مطلق 204/0 و جذر ميانگين مربعات خطاي 307/0، نسبت به شبكه بيزين داشته است. نتايج تحقيق نشان داد كه آزمون گاما در انتخاب تركيب ورودي مناسب در محاسبات نرم مي­تواند كارايي بهتري داشته باشد.

Groundwater has been raised as one of the major sources of water supply for drinking and agriculture, especially in arid and semi-arid. Simulation of groundwater system because of the complexity of these systems is a difficult task. In this paper, using data Ardabil plain water level in the period (1972-2011), the evaluation and selection of appropriate inputs for processing gamma test performance and efficiency of the least squares support vector machines and Bayesian network models were discussed. Monthly water level as input parameters with different delays Gamma test was considered. Gamma test results showed that the water level by 6 latency, offers better results to predict. Water level simulation using least squares support vector machines and Bayesian network models also showed that the input structure to predict the water level the next month will be delayed until six. The two models with the same input structure, least squares support vector machine model, better performance, according to the coefficient of determination 0.977, mean absolute error 0.204 and root mean square error 0.307, compared to Bayesian networks have. The results showed that gamma test compound in the appropriate input soft computing can have a better performance.