پيش‌ بيني پيشروي آب شور در آبخوان ساحلي با استفاده از ماشين‌ بردار پشتيبان رگرسيوني به ‌عنوان مدل جايگزين

Predicting Saltwater Intrusion into Coastal Aquifers Using Support Vector Regression Surrogate Models

پيش‌بيني هجوم آب شور به آبخوان ساحلي در اثر تغيير ميزان برداشت از آب زيرزميني يكي از پيش‌نيازهاي مديريت آب زيرزميني است. اين پژوهش قابليت انواع مختلف مدل‌هاي ماشين‌بردار پشتيبان رگرسيوني (SVR) را براي پيش‌بيني ميزان شوري در چاه پايش منتخب در يك آبخوان ساحلي كوچك تحت شرايط مختلف برداشت آب زيرزميني بررسي مي‌كند. مدل‌هاي SVR با مجموعه‌هاي ورودي (پمپاژگذراي تصادفي از چاه‌هاي آبده) حاصل از نمونه‌برداري ابرمكعب لاتين و خروجي (غلظت شوري در چاه پايش منتخب) آموزش يافته و آزمايش شدند. سپس، مدل‌هاي آموزش يافته و آزمايش شده براي پيش‌بيني ميزان شوري در چاه پايش منتخب براي مجموعه داده‌هاي جديد پمپاژ استفاده شدند. قابليت پيش‌بيني و تعميم‌دهي عملي مدل‌ها در مقايسه با مدل رايج شبكه عصبي مصنوعي با استفاده از شاخص‌هاي ارزيابي مختلف بررسي شد. نتايج ارزيابي عملكرد مدل‌ها نشان داد كه قابليت پيش‌بيني مدل SVR چندجمله‌اي بر ساير مدل‌ها برتري دارد. همچنين همه مدل‌هاي SVR مورد بررسي به‌جز مدل SVR خطي، پيشروي آب شور را به‌طور قابل قبولي پيش‌بيني كردند. قابليت پيش‌بيني و تعميم‌دهي مدل‌هاي SVR چندجمله‌اي، استفاده از آنها را براي اتصال به الگوريتم بهينه‌سازي در شيوه بهينه‌سازي- شبيه‌سازي مبتني بر مدل جانشين براي مديريت آبخوان‌هاي ساحلي توصيه مي‌كند.

The prediction of the intrusion of saline water into coastal aquifers as a result of changing the amount of groundwater extractions is a prerequisite for managing groundwater. This study investigates the capability of different types of Support Vector Regression (SVR) models to predict salinity concentrations at the selected well in the small coastal aquifer under different groundwater abstraction conditions. SVR models were trained and tested using input (random transient pumping from the production wells) derived from Latin Hypercube Sampling and output (salinity concentration at the selected well) datasets. The trained and tested models were then used to predict salinity concentrations at the selected well for new pumping datasets. The models ability for predicting and generalizing compared with commonly used artificial neural network (ANN) model was evaluated using different performance criteria. The results of the performance evaluation of the models showed that the predictive capability of the polynomial SVR model is superior to other models. Also, comparing different performance criteria for all SVR models, except for linear SVR model, proved their acceptable predictive performance. The prediction and generalisation ability of polynomial SVR, recommends using these models to connect to the optimization algorithm for a surrogate model based simulation-optimization approach in sustainable management of coastal aquifers.