بررسي كارايي مدل هيبريدي هالت - وينترز موجكي (whw) در شبيه سازي تراز سطح ايستابي آبخوان ساحلي اروميه

The performance of the wavelet Halt-Winters hybrid model (WHW) in groundwater level forecasting of Urmieh coastal aquifer

پيش بيني تراز سطح آب زيرزميني به‌منظور درك صحيح در مورد روند تغييرات آبخوان و مديريت و برنامه ريزي اين منابع آبي ارزشمند، بسيار مهم است. اين مقاله از مدل هيبريدي هالت وينترز موجكي(whw) براي اولين بار در شبيه‌سازي تراز سطح ايستابي بهره گرفته است. بدين منظور از سري زماني 16 ساله نوسانات ماهانه تراز سطح آب زيرزميني در دو چاه مشاهده-اي آبخوان ساحلي اروميه استفاده شد. در whw سري زماني مادر به چندين زير سري با مقياس هاي زماني مختلف تبديل شد، سپس زير سري هاي زماني به‌صورت تك‌تك به‌عنوان ورودي مدل hw قرار گرفته و با تجميع خروجي ها تراز محاسباتي سطح ايستابي به دست آمد. پس از آن عملكرد مدل whw با مدل هاي خطي arima، hw وsarima و نيز مدل هاي هوشمند غيرخطي شبكه عصبي(ann) و رگرسيون بردار پشتيبان(svr) مورد ارزيابي قرار گرفت. نتايج نشان داد كه در مدل whw در مقايسه با مدل هاي خطي، معيار خطاي nse و rmse‌ در مرحله آزمون به ترتيب تا 30 و 60 درصد ارتقا يافته و در مقايسه با مدل هاي غيرخطي ann و svr عملكرد برابر و مشابه داشته است. همچنين نتايج نشان داد كه هرچه تراز سطح آب زيرزميني از تناوب هاي چندگانه و غيرفصلي بيشتري برخوردار باشد، دقت مدل whwدر قياس با مدل هاي خطي بيشتر مي شود.

For management and planning valuable groundwater resources, it is very important to predict groundwater level and have a correct understanding about aquifer changes. In this paper for the first time, the wavelet Halt-Winters hybrid models (WHW) were used and tested for groundwater forecasting. A monthly data set of 16 years consisting of groundwater level fluctuations was used in two observation wells of Urmieh coastal aquifer. In the WHW, the dataset was converted into several sub-dataset with different time scales. Then, the sub-series were used in the HW model as inputs. Subsequently, the performance of the WHW model was compared with ARIMA, HW, and SARIMA as linear models and neural network models (ANN) and Support Vector Regression (SVR) as nonlinear models. The results showed that the NSE and RMSE values of the WHW model were upgraded up to 30% and 60% respectively, in comparison with linear models. The WHW hybrid model also has the same performance compared to nonlinear models. This research reflects that if there are multiple seasonal fluctuations in the groundwater time series, the performance of the WHW model compared with linear models will be more accurate.