بررسي عملكرد مدل هاي داده مبنا در شبيه سازي گام‌هاي مختلف زماني سطح آب زيرزميني با استفاده از روش تلفيقي آزمون گاما و الگوريتم ژنتيك

The efficiency of Data-Driven Models for Months ahead Groundwater Level Forecasting Using a Hybrid Gamma Test and Genetic Algorithm Model

به منظور مديريت پايدار منابع آب زيرزميني، تعيين رفتار سطح آب زيرزميني ضروري است. نوسانات سطح آب زيرزميني فرآيندي غيرخطي و پيچيده است كه مدل-هاي هوش محاسباتي داده مبنا قادر هستند بدون تقريب و ساده‌سازي به مدل‌سازي آن بپردازند. در اين مطالعه ميزان دقت و كارايي هر يك از مدل‌هاي داده مبنا هوش مصنوعي پرسپترون چند لايه (MLP)، استنتاجي فازي عصبي (ANFIS) و رگرسيون بردار پشتيبان(SVR) در شبيه‌سازي سه افق زماني پيش‌رو (t+2, t+1 و t+3) سطح آب زيرزميني دشت هشتگرد مورد ارزيابي قرار گرفت. در اين راستا از قابليت‌هاي روش آزمون گاما و تلفيق آن با الگوريتم ژنتيك (GA-GT) بمنظور انتخاب تركيب ورودي بهينه و نيز روش M-Test در تعيين طول بهينه داده‌هاي آموزش مدل استفاده شد. نتايج مشخص كرد كه دقت مدل‌هاي داده مبنا در شبيه سازي افق زمانيt+1 سطح آب زيرزميني بيشتر از افق زماني t+2 و t+3 است. بمنظور تعيين ميزان عملكرد و كارايي مدل‌ها، نتايج براساس شاخص DDR مورد تحليل قرار گرفت كه محاسبات نشان داد مدل ANFIS در شبيه‌سازي افق زماني اول بهترين عملكرد و كارايي را داشته است. همچنين استنباط شد كه مدل MLP و ANFIS در شبيه‌سازي افق‌هاي ماهانه نزديك‌تر و SVR در افق‌هاي ماهانه دور‌تر كاربرد بهتري دارند.

In order to implement sustainable groundwater resources management, it is necessary to model the behavior of groundwater level. Groundwater is a nonlinear and complex system which Data-driven models can be modeled this system without approximation and simplification. This study evaluates the performances of data-driven models (Support Vector Regression (SVR) and Artificial Neural Network (ANN)) for forecasting groundwater levels of Hashtgerd plain at 1, 2 and 3 months ahead. One of the most important steps in constructing data-driven models is determining the optimal combination of input variables. In this paper, the optimal composition was determined using the hybrid of gamma test and genetic algorithm, also the optimal length of input composition in teaching period was determined using the M-test method. The results of this study showed that the models for 1 month ahead performed better than for 2 and 3 months ahead forecasts and the accuracy of the models decreased as months ahead increased. The Developed Discrepancy Ratio (DDR) was applied to evaluate the efficiency of models. The results showed that the ANFIS model had the best performance for one month ahead groundwater level forecasting. Also, the results demonstrated that the ANFIS and MLP models were able to provide better performance in groundwater levels forecasting for a shorter-time period (e.g., 1 month ahead). The performance of the SVR model for a longer-time period (e.g., 3 month ahead) was superior to the MLP and ANFIS models.