ارزیابی ترکیب الگوریتم‌های بهینه‌سازی و سیستم استنتاج فازی- عصبی تطبیقی در مقایسه با مدل‌های سری‌های زمانی در تخمین سطح آب زیرزمینی

به‌منظور مدیریت و بهره برداری بهینه از منابع آب زیر‌زمینی آگاهی از تغییرات مکانی زمانی سطح ایستابی و لزوم پیش بینی و مدل‌سازی آنها به‎منظور شناخت دقیق تر رفتار آبخوان نسبت به محرک های طبیعی و انسانی، امری ضروری است. با توجه به توسعه روزافزون فرامدل ها و ترکیب آنها با الگوریتم های بهینه سازی به منظور مدل‌سازی و پیش بینی متغیرهای هیدروژئولوژیکی، این سوال که استفاده از مدل های ترکیبی چقدر می‌تواند عملکرد فرامدل‌ها را بهبود بخشد، مطرح می‌شود. به منظور تلاشی در جهت یافتن پاسخ، در این پژوهش، چهار الگوریتم بهینه‌سازی فراکاوشی ازدحام ذرات (pso)، ژنتیک (ga)، کلونی مورچگان (acor) و تکاملی تقاضلی (de) با مدل سیستم استنتاج فازی عصبی تطبیقی (anfis) ترکیب شد. عملکرد چهار مدل ترکیبی توسعه داده شده با مدل anfis و مدل سری زمانی (sarima) به عنوان مدل مرجع، جهت تخمین سطح آب زیرزمینی متوسط ماهانه آبخوان دشت صحنه در استان کرمانشاه، در بازه زمانی 19 سال آبی ارزیابی شد. به‎منظور مقایسه بهتر نتایج مدل ها، متغیرهای ورودی یکسان از تراز آب زیرزمینی در گام های زمانی مختلف (حداکثر 4 ماه بر اساس تابع خودهمبستگی تراز آبخوان) برای آنها درنظر گرفته شد. نتایج شاخص های نکویی برازش در مرحله آموزش و آزمون نشان داد اختلاف معنا‌داری بین مدل سری زمانی sarima نسبت به سایر مدل‌های ترکیبی مورد استفاده، وجود ندارد. اما با توجه به اینکه sarima فرآیندهای میانگین متحرک، اتورگرسیون، تغییرات فصلی و تاخیر را در مدل‌سازی اعمال می‌کند، در مدل‌سازی سطح آب زیرزمینی می تواند بیشتر مورد توجه قرار گیرد. مقادیر rmse برترین مدل‌ ترکیبی (anfisga) و sarima به ترتیب 0950/0 و 1012/0 متر به دست آمد. همچنین نتایج به دست آمده نشان داد که ترکیب الگوریتم های بهینه‌سازی درنظر گرفته شده با مدل anfis نتایج مدل را نسبت به مدل انفرادی anfis به صورت معنی‌داری بهبود نمی بخشد. نتایج این تحقیق می تواند محققان را در انتخاب آگاهانه مدل مناسب در پیش بینی زمانی سطح ایستابی آبخوان با توجه به معیارهای کارآیی، زمان و هزینه محاسبات و آماده سازی داده ها جهت ورود به مدل ها کمک نماید.

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

To optimize the management and optimal use of groundwater resources, it is necessary to be aware of the temporalspatial 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 fuzzyneural 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 selfcorrelation 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 (ANFISGA) 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.