پيش‌بيني تراز آب زيرزميني در آبخوان گلپايگان با استفاده از تركيب ANFIS و PSO

پيش‌بيني تراز آب زيرزميني اولويتي ضروري براي برنامه‌ريزي و مديريت منابع آب زيرزميني مي‌باشد. هدف از تحقيق حاضر مقايسه دقت سيستم استنتاج تطبيقي عصبي فازي[1] (ANFIS) با مدل تركيبي ANFIS آموزش ديده توسط الگوريتم بهينه‌سازي ازدحام ذرات[2] (ANFIS+PSO) در پيش‌بيني ماهانه تراز آب زيرزميني آبخوان گلپايگان طي سال‌هاي 97-1381 مي‌باشد. بدين منظور از داده‌هاي ماهانه بارندگي، دما، تبخير از تشت در ايستگاه هاي هواشناسي منتخب، حجم تخليه از چاه هاي بهره‌برداري و تراز آب زيرزميني چاه‌هاي مشاهده‌اي استفاده شده است. پس از انجام تحليل مكاني و زماني، چهار چاه مشاهده‌اي با دو ساختار داده ورودي (S1 و S2) براي پيش‌بيني تراز آب زيرزميني انتخاب گرديد. نتايج آزمون‌هاي روند و همگني حاكي از معني‌داري 99 درصدي تغييرات تراز آب زيرزميني در چاه‌هاي مشاهده‌اي منتخب 4، 8، 19 و 20 با افت ناگهاني 22، 17، 27 و 2 متر به ترتيب در قبل و بعد از ماه‌هاي خرداد، شهريور، تير و مرداد 1389 مي‌باشد. بيشترين و كمترين دقت پيش‌بيني تراز آب زيرزميني مربوط به چاه‌هاي مشاهده‌اي 20 و 4 با مقادير ريشه ميانگين مربعات خطا[3] (RMSE) برابر 2.37 و 0.21 متر به ترتيب مربوط به مدل‌هاي ANFIS_S1 و ANFIS+PSO_S2 مي‌باشد. نتايج كلي تحقيق حاكي از تأثير بيشتر انتخاب تأخيرهاي مناسب داده‌هاي ورودي (ساختار مدل) نسبت به تركيب دو مدل (ANFIS و PSO) در افزايش دقت پيش‌بيني تراز آب زيرزميني دارد، به طوري‌كه ساختار مطلوب داده‌هاي ورودي و تركيب الگوريتم بهينه‌ساز با مدل شبيه‌ساز به ترتيب  44 و 25 درصد دقت پيش‌بيني تراز آب زيرزميني را افزايش داده‌اند. [1] Adaptive NeuroFuzzy Inference System (ANFIS) [2] Particle Swarm Optimization (PSO) [3] Root Mean Squared Error (RMSE)