سعید افخمی فر؛ امیرپویا صراف
چکیده
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده میشود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا ...
بیشتر
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده میشود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیشبینی و بهینهکردن وزنهای ورودی (وزنهای بین لایه ورودی و پنهان) مدلها، از الگوریتم بهینهساز ازدحام ذرات کوانتومی (QPSO) استفاده شده است. همچنین، در این مطالعه، از دادههای تراز آب زیرزمینی چاههای مشاهدهای (GWL)، میزان بارش (P) و همچنین، دمای متوسط (T) مربوط به حوضه دشت ارومیه با سری زمانی 36 ساله (1360–1396) که در مقیاس ماهانه جمعآوری شده، استفاده شده و بهمنظور بررسی عملکرد مدلها از سه معیار ضریب همبستگی (R)، جذر میانگین مربع خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. در این راستا، از 80 درصد دادهها (مهر 1360 تا شهریور 1389) بهمنظور آموزش مدلها و از 20 درصد دادهها (مهر 1389 تا شهریور 1396) بهمنظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه-بهینهساز ازدحام ذرات کوانتومی (W-ELM-QPSO) با داشتن ضریب همبستگی (R) بهترتیب 0.991، 0.983 و 0.975 برای دورههای یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدلها داشته، همچنین، این مدل علاوهبر قدرت پیشبینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدلهای دیگر از سرعت بالایی برخوردار است.