پيش‌بيني نوسانات ماهانه سطح آب درياچه اروميه با استفاده از مدل هوش مصنوعي مركب نظارت‌شده

در سال­هاي اخير كاهش سطح آب درياچه اروميه سبب ايجاد بحران آبي و زيست­محيطي در منطقه گرديده است. بنابراين ضروري است كه مديريت و برنامه­ريزي صحيح و قابل­اعتماد در اين زمينه صورت گيرد كه لازمه آن مدل­سازي سطح آب درياچه براي آينده مي­باشد. در اين تحقيق از روش­هاي شبكه عصبي مصنوعي (ANN)، سيستم استنتاج فازي عصبي تطبيقي (ANFIS) و ماشين بردار پشتيبان (SVM) براي پيش­بيني سطح آب يك [h (t+1)]، دو [h (t+2)] و سه  [h (t+3)] ماه آينده درياچه اروميه استفاده گرديد و در نهايت از يك مدل هوش مصنوعي مركب نظارت شده (SCMAI) براي رسيدن به يك عملكرد بهتر از مدل­هاي منفرد به­كار گرفته شده، استفاده شد. براي مدل­سازي، اطلاعات سطح آب ماه جاري  [h (t)]و يازده ماه گذشته [h (t1),…, h (t11)] به­عنوان ورودي و سطح آب يك، دو و سه ماه آينده به­عنوان خروجي مدل­ها در نظر گرفته شدند. داده­ها به دو دسته داده­هاي آموزش/ اعتبارسنجي (90 درصد كل داده­ها) و داده­هاي آزمايش (10 درصد كل داده­ها) تقسيم­بندي گرديدند و پس از مدل­سازي، عملكرد مدل­ها بر اساس پارامترهاي ضريب تعيين (R2)، جذر ميانگين مربعات خطا (RMSE) و ميانگين مطلق خطا (MAE) ارزيابي شدند. نتايج نشان دادند كه مدل­هاي بردار پشتيبان عملكرد بهتري نسبت به مدل­هاي شبكه عصبي مصنوعي و عصبي فازي دارند. مدل هوش مصنوعي مركب نظارت شده به­منظور تركيب نتايج مدل­هاي مختلف به­كار گرفته شد و نشان داد كه مدل­هاي هوش مصنوعي مركب نظارت شده قادرند كارايي مدل­هاي منفرد هوش مصنوعي را بهبود بخشند. نتايج معيارهاي عملكرد مدل­ هوش مصنوعي مركب نظارت شده بيان مي­كند كه مدل­سازي يك ماه آينده سطح آب با مقادير R2، RMSE و MAE به­ترتيب برابر با 9896/0، 0547/0 متر و 0421/0 متر در مقايسه با مدل بردار پشتيبان عملكرد بهتري دارد كه اين عملكرد براي پيش­بيني­هاي دو و سه ماه آينده سطح آب درياچه نيز صادق مي­باشد.