شبيه‌سازي تراز آب زيرزميني با استفاده از مدل تركيبي موجك-ماشين آموزش نيرومند خودتطبيقي

Simulation of Groundwater Level Using the Hybrid Model Wavelet-Self Adaptive Extreme Learning Machine

در مطالعه حاضر، با استفاده از روش هاي نوين ماشين آموزش نيرومند خود تطبيقي (SAELM)و موجك-ماشين آموزش نيرومند خود تطبيقي (WA-SAELM) تراز آب زيرزميني در منطقه كبودر آهنگ واقع در استان همدان مورد بررسي قرار گرفت. در ابتدا با استفاده از تابع خود همبستگي، تاخيرهاي موثر شناسايي شده و سپس با استفاده از اين تاخيرها براي هر يك از روش هاي SAELM و WA-SAELM، 10 الگوي متمايز ورودي توسعه داده شد. با ارزيابي نتايج مدل هاي مذكور، WA-SAELM به عنوان مدل برتر معرفي شد كه تجزيه و تحليل نتايج شبيه سازي نشان دهنده دقت بالاي مدل برتر در تخمين تراز آب زيرزميني بود. مقادير ضريب همبستگي (R)، ريشه ميانگين مربعات خطا (RMSE) و ضريب بهره وري نش-ساتكليف (NSC) براي مدل برتر به ترتيب برابر با 0/969، 0/358 و 0/939 محاسبه گرديد.

In present study, the groundwater level of the Kabodarahang region located in Hamadan Province was simulated using novel techniques such as Self-Adaptive Extreme Learning Machine (SAELM) and Wavelet-Self-Adaptive Extreme Learning Machine (WA-SAELM). Firstly, the effective lags were detected using the autocorrelation function and then ten models were developed for each SAELM and WA-SAELM methods. By evaluating the results of the models, WA-SAELM was introduced as the superior method. The analysis of the simulation results showed that the superior model had a high accuracy in estimating the groundwater level. For the superior model, the correlation coefficient (R), Root Mean Squared Error (RMSE) and Nash-Sutcliffe efficiency coefficient (NSC) were calculated to be 0.969, 0.358 and 0.939, respectively.