ارزیابی روش‌های ماشین بردار پشتیبان، تحلیل تفکیک خطی و درجه دوم در شبیه‌سازی نوسانات سطح آب زیرزمینی دشت شهرکرد

با توجه به افزایش تقاضای آب و خشکسالی‌های شدید در سال‌های اخیر، منابع آب زیرزمینی به عنوان مهمترین منبع تامین آب شیرین دارای اهمیت زیادی هستند. لزوم توجه به این منابع و جلوگیری از تخریب آنها نیازمند به رویکرد جامع و برنامه‌ریزی بلند مدت دارد. تغییرات آبخوان عامل مهمی است که امکان قضاوت صحیح در مورد روند تراز سطح آب زیرزمینی و مدیریت لازم در حوزه آبخیز را ایجاد می‌کند. در این تحقیق از اطلاعات ماهانه مربوط به 33 چاه مشاهده‌ای در دشت شهرکرد طی سال‌های 1378 تا 1388 به منظور شبیه‌سازی سطح آب زیرزمینی استفاده شده است. ارتباط مختصات دشت شهرکرد و تغییرات سطح آب زیرزمینی با روش‌های تحلیل تفکیک خطی (lda)، تحلیل تفکیک درجه دوم (qda) و ماشین بردار پشتیبان (svm) در دوره‌های زمانی 1، 3، 5 و 10 ساله مورد بررسی قرار گرفته است. نتایج نشان از این دارد که ماشین بردار پشتیبان با داشتن کمترین میانگین خطای نسبی در دوره‌های 1 و 3 ساله و دقت قابل قبول در دوره‌های 5 و 10 ساله دارای برتری بر سایر روش‌ها بوده است.

Evaluation of Support Vector Machine, and Linear and Quadratic Discriminant Analysis for Groundwater Level Variations in Shahrekord Plain

In recent years, due to the increasing rate of water demand and severe droughts, groundwater resources are considered as the most important sources of fresh water. Accordingly, a comprehensive strategy along with a long term plan is needed for preventing groundwater destruction. Variations in aquifer water level, are amongst the main factors which provide correct judgment about groundwater status and govern the watershed management projects.  In the present study, monthly data (1999 to 2009) from 33 observational wells in Shahrekord Plain have been used for simulating the groundwater level. The relationship among the Shahrekord Plain coordinates and the groundwater level variations, for 1, 3, 5 and 10 year period, were investigated using Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), and Support Vector Machine (SVM). The results showed that the SVM is superior to the other two models due to its lowest average relative error in 1 and 3 year periods, and its acceptable precision in 5 and 10 year periods.