پيش بيني تراز سطح آب زيرزميني آبخوان دشت اروميه با استفاده از مدل هيبريد تبديل موجك-ماشين يادگيري بيشينه و بهينه سازي با ازدحام ذرات كوانتومي

Prediction of groundwater level in Urmia Plain aquifer using hybrid model of wavelet Transform-Extreme Learning Machine based on quantum particle swarm optimization

امروزه با توجه به اهميت بالاي مديريت پايدار آب هاي زيرزميني، براي بررسي و ارزيابي منابع آب از مدل سازي و پيش بيني تراز آب هاي زيرزميني (GWL) استفاده مي شود. هدف از اين پژوهش، ارزيابي عملكرد دو مدل ماشين يادگيري بيشينه (ELM) و شبكه عصبي مصنوعي (ANN) و همچنين، تلفيق آن دو مدل با الگوريتم تبديل موجك (W-ELM و W-) است كه در نهايت براي بالا بردن قدرت پيش بيني و بهينه كردن وزن هاي ورودي (وزن هاي بين لايه ورودي و پنهان) مدل ها، از الگوريتم بهينه ساز ازدحام ذرات كوانتومي (QPSO) استفاده شده است. همچنين، در اين مطالعه، از داده هاي تراز آب زيرزميني چاه هاي مشاهده اي (GWL)، ميزان بارش (P) و همچنين، دماي متوسط (T) مربوط به حوضه دشت اروميه با سري زماني 36 ساله (1360-1396) كه در مقياس ماهانه جمع آوري شده، استفاده شده و به منظور بررسي عملكرد مدل ها از سه معيار ضريب همبستگي (R)، جذر ميانگين مربع خطا (RMSE) و ميانگين قدر مطلق خطا (MAE) استفاده شده است. در اين راستا، از 80 درصد داده ها (مهر 1360 تا شهريور 1389) به منظور آموزش مدل ها و از 20 درصد داده ها (مهر 1389 تا شهريور 1396) به منظور بخش آزمون استفاده شده است. بر اساس نتايج پژوهش حاضر، مدل هيبريد تبديل موجك-ماشين يادگيري بيشينه-بهينه ساز ازدحام ذرات كوانتومي (W-ELM-QPSO) با داشتن ضريب همبستگي (R) به ترتيب 0.991، 0.983 و 0.975 براي دوره هاي يك، دو و سه ماهه در بخش آزمون، عملكرد بهتري نسبت به ديگر مدل ها داشته، همچنين، اين مدل علاوه بر قدرت پيش بيني، از لحاظ سرعت آموزش و آزمون نيز نسبت به مدل هاي ديگر از سرعت بالايي برخوردار است.