ارزيابي تركيب الگوريتم‌هاي بهينه‌سازي و سيستم استنتاج فازي- عصبي تطبيقي در مقايسه با مدل‌هاي سري‌هاي زماني در تخمين سطح آب زيرزميني

Evaluation of the combination of optimization algorithms and adaptive fuzzy-neural inference system compared to time series models in groundwater level estimation

به‌منظور مديريت و بهره ­برداري بهينه از منابع آب زير‌زميني آگاهي از تغييرات مكاني- زماني سطح ايستابي و لزوم پيش ­بيني و مدل‌سازي آنها بهمنظور شناخت دقيق ­تر رفتار آبخوان نسبت به محرك­هاي طبيعي و انساني، امري ضروري است. با توجه به توسعه روزافزون فرامدل­ها و تركيب آنها با الگوريتم­هاي بهينه ­سازي به منظور مدل‌سازي و پيش ­بيني متغيرهاي هيدروژئولوژيكي، اين سؤال كه استفاده از مدل­هاي تركيبي چقدر مي‌تواند عملكرد فرامدل‌ها را بهبود بخشد، مطرح مي‌شود. به منظور تلاشي در جهت يافتن پاسخ، در اين پژوهش، چهار الگوريتم بهينه‌سازي فراكاوشي ازدحام ذرات (PSO)، ژنتيك (GA)، كلوني مورچگان (ACOR) و تكاملي تقاضلي (DE) با مدل سيستم استنتاج فازي- عصبي تطبيقي (ANFIS) تركيب شد. عملكرد چهار مدل­ تركيبي توسعه داده شده با مدل ANFIS و مدل سري زماني (SARIMA) به عنوان مدل­ مرجع، جهت تخمين سطح آب زيرزميني متوسط ماهانه آبخوان دشت صحنه در استان كرمانشاه، در بازه زماني 19 سال آبي ارزيابي شد. بهمنظور مقايسه بهتر نتايج مدل­ها، متغيرهاي ورودي يكسان از تراز آب زيرزميني در گام­هاي زماني مختلف (حداكثر 4 ماه بر اساس تابع خود همبستگي تراز آبخوان) براي آنها درنظر گرفته شد. نتايج شاخص ­هاي نكويي برازش در مرحله آموزش و آزمون نشان داد اختلاف معنا‌داري بين مدل سري زماني SARIMA نسبت به ساير مدل‌هاي تركيبي مورد استفاده، وجود ندارد. اما با توجه به اينكه SARIMA فرآيندهاي ميانگين متحرك، اتورگرسيون، تغييرات فصلي و تأخير را در مدل‌سازي اعمال مي‌كند، در مدل‌سازي سطح آب زيرزميني مي­تواند بيشتر مورد توجه قرار گيرد. مقادير RMSE برترين مدل‌ تركيبي (ANFIS-GA) و SARIMA به ترتيب 0/0950 و 0/1012 متر به دست آمد. همچنين نتايج به دست آمده نشان داد كه تركيب الگوريتم­ هاي بهينه‌سازي درنظر گرفته شده با مدل ANFIS نتايج مدل را نسبت به مدل انفرادي ANFIS به ­صورت معني‌داري بهبود نمي­ بخشد. نتايج اين تحقيق مي­تواند محققان را در انتخاب آگاهانه مدل مناسب در پيش­بيني زماني سطح ايستابي آبخوان با توجه به معيارهاي كارآيي، زمان و هزينه محاسبات و آماده ­سازي داده­ ها جهت ورود به مدل­ها كمك نمايد.

To optimize the management and optimal use of groundwater resources, it is necessary to be aware of the temporal-spatial changes of the stagnant level . For modeling and predicting hydrogeological variables, the question remains:To what extent these hybrid models can be effective compared to the individual model?, in this study four algorithms of particle overvoltage optimization (PSO) genetics (GA) ant colony (ACOR) and demand evolution (DE) were combined with the model of adaptive fuzzy-neural inference system (ANFIS).The four combined models performance developed with the ANFIS model and the time series model (SARIMA) as the reference model to estimate the average monthly groundwater level of the Sahneh plain aquifer in Kermanshah province was evaluated over 19 years.To better compare the results of the models, the same input variables of the groundwater level in different time steps (maximum four months based on the self-correlation function of aquifer level) were considered for them. The results of fitness indicators in the test and test phase showed that there was no significant difference between the SARIMA time series model compared to other combined models used.However, given that SARIMA applies average moving processes, authorization, seasonal changes, and delays in modeling, groundwater leveling can be given more attention in modeling. The RMSE values of the best hybrid model (ANFIS-GA) and SARIMA were 0.950 and 0.1012, respectively. The results also showed that the combination of optimization algorithms considered with the ANFIS model does not improve the model's results compared to the individual ANFIS model in terms of significance.