ارزيابي كارايي مدل حداقل مربعات ماشين بردار پشتيبان در پيش بيني سطح ايستابي (مطالعه موردي: دشت رامهرمز)

Application of Least Squares Support Vector Machine Model For Water Table Simulation (Case Study: Ramhormoz plain)

با توجه به شرايط موجود بر اقليم هاي خشك و نيمه خشك مانند كمبود بارندگي و ميزان تبخير بالا، مديريت صحيح و كار آمد بر منابع آب موجود اجتناب ناپذير است. مديريت منابع آب زير زميني به عنوان پر مصرف ترين منبع قابل استحصال آب يكي از ضرورت هاي تحقيقات مدرن است. در اين مقاله، با استفاده از اطلاعات كمي چاه هاي مشاهداتي و پارامتر هاي هواشناسي دشت رامهرمز در استان خوزستان در دوره ي 5 ساله، به ارزيابي عملكرد آزمون گاما و مقايسه دقت مدل هاي حداقل مربعات ماشين بردار پشتيبان (LS-SVM) و شبكه عصبي مصنوعي به منظور تخمين سطح ايستابي پرداخته شد. ابتدا با استفاده از روش آزمون گاما از ميان پارامترهاي تاثير گذار بر سطح ايستابي، پارامترهاي بهينه ورودي جهت مدل سازي تخمين سطح ايستابي از ميان 127 تركيب معين، تعيين گرديد. 5 تركيب برتر با حداقل مقدار آماره گاما نسبت به تركيب هاي ديگر به دست آمد. سپس تركيب هاي بهينه با استفاده از مدل حداقل مربعات ماشين بردار پشتيبان با توابع كرنل مختلف و شبكه عصبي مصنوعي مورد ارزيابي قرار گرفتند. نتايج 4 تركيب نشان دهنده عملكرد دقيق مدل LSSVM-RBF ، كه در بهترين تركيب با پارامتر مربوط به تابع RBF (99/4=2?) و شاخص هاي عملكرد (3401/0 RMSE=و 999/0R2=) نسبت به مدل ANN برتري داشت و نيز بيان گر پيش پردازش بهينه آزمون گاما بود.

Due to the current conditions on the arid and semiarid climates such as the lack of rainfall and high evaporation rate, the correct and efficient management of available water resources is inevitable. Management of ground water resources as the most frequently used source of exploitable water is one the necessities of modern research. In this study, using quantitative data observation wells and meteorological parameters of Ramhormoz plain in Khuzestan province during the 7-years period, performance of the Gamma Test evaluated and compare the accuracy of least squares support vector machine (LS-SVM) and artificial neural network (ANN) models to estimate water-table was discussed. Initially, using the Gamma Test among the parameters affecting the water table, input parameters for groundwater table estimation modeling of 127 certain combinations was optimized. The 5 better combinations with the least amount of Gamma Statistic than other combinations were obtained. Then, optimal combinations were evaluated using least squares support vector machine with different kernel functions and artificial neural network. Results of 4 combination showed accurate performance of LS-SVMRBF model that the optimal combination of LSSVM model with RBF kernel function has parameters of RBF function (?2=4.99) and performance parameters such as (R2=0.999, RMSE=0.3401) than ANN model was and also represents the gamma test was optimized processing.