ارزیابی الگوریتمهای انتخابات، رقابت استعماری و روش شبکه عصبی مصنوعی در بررسی روند افت تراز سطح ایستابی دشت رشتخوار

ارزیابی نوسانات سطح ایستابی در مناطق خشک و نیمه خشک کشور، نیازمند پیش بینی دقیق و کارآمدی از نوسانات آن می‌باشد. استفاده از روش‌های نوین از جمله الگوریتم‌های فراابتکاری، شبکه های عصبی مصنوعی و روش های فازی، جهت تولید داده های سطح آب مصنوعی و پیش بینی آینده تراز سطح ایستابی به دلیل کارآیی بسیار بالای خود، بسیار کاربردی است. در پژوهش حاضر، با استفاده از روش های الگوریتم های انتخابات و رقابت استعماری، شبکه عصبی مصنوعی، داده های ماهانه به مدت 9 سال و هم چنین عمق سطح آب زیرزمینی 10 حلقه چاه مشاهده ای، به پیش بینی زماتی 7 ساله تراز سطح ایستابی دشت رشتخوار در استان خراسان رضوی پرداخته شد. به منظور آموزش مدل ها از اطلاعات 10 چاه مشاهده ای که دارای آمار 9 ساله (93-1385 )بودند استفاده گردید، به نحوی که از 70 درصد داده ها به عنوان داده های آموزشی به مدل معرفی و 30 درصد داده ها به عنوان آزمون برای واسنجی به کار گرفته شد. نتایج روش الگوریتم انتخابات، تراز سطح ایستابی آبخوان رشتخوار را برای سال 1400 را بین 14 و 16/5 متر در مناطق مختلف دشت پیش بینی کرد .براساس محاسبه های انجام شده و نتایج به دست آمده از پارامترهای آماری، الگوریتم انتخابات به ترتیب با مقادیر ریشه میانگین مربعات خطا (rmse ،)ضریب همبستگی (r2 )و معیار نش ساتکلیف nse) ،0/029 ،0/90) و 0/73 نسبت به دو روش شبکه عصبی مصنوعی و الگوریتم  رقابت استعماری، دارای توانایی قابل توجهی در پیش بینی تراز سطح ایستابی بود.

Evaluating Election, Imperialist Competitive Algorithms and Artificial Neural Network Method in Investigating the Groundwater Level of Reshtkhar Plain

Evaluating the groundwater level in arid and semiarid regions of the country requires accurate prediction and efficiency of its fluctuations. The use of modern methods, including evolutionary algorithms, artificial neural networks, and fuzzy methods, is very useful for predicting the groundwater level and generating artificial water surface data due to its high efficiency. In this research, by using Election and Imperialist Competitive Algorithms, artificial neural network, monthly data for 9 years as well as groundwater level of 10 wells, predicted the 7year the groundwater level of Reshtkhar plain in KhorasanRazavi. To train the models, the statistic data was provided on 10 observation wells with a 9year (20022014), which 70% of the data was introduced as training data to the model and 30% of the data was used as a test for calibration of the model. The results of the Election Algorithm predicted Reshtkhar groundwater level for the year 1400, between 14 to 16.5 meters in different areas of the plain. Based on the calculations and the results obtained from the statistical parameters, the Election algorithm was RMSE, R2 and NSE, 0.029, 0.90 and 0.73 respectively, compared with the two methods of artificial neural network and Imperialist Competitive Algorithm has a significant ability to predict the groundwater level.