کاربرد شبکه بیزین و مدل ماشین بردار پشتیبان در پیش‌بینی تغییرات سطح تراز ایستابی (مطالعه موردی: دشت اردبیل)

آب های زیرزمینی به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی، به ویژه در مناطق خشک و نیمه خشک مطرح بوده است. شبیه سازی سیستم آب های زیرزمینی به دلیل پیچیدگی این سیستم ها به آسانی میسر نیست. در این مقاله با استفاده از داده های سطح تراز ایستابی دشت اردبیل در بازه زمانی(13901351)، به ارزیابی عملکرد آزمون گاما برای پردازش و انتخاب ورودی های مناسب و کارایی مدل های حداقل مربعات ماشین بردار پشتیبان و شبکه بیزین پرداخته شد. پارامترهای سطح تراز ایستابی ماهانه با تاخیرهای مختلف به عنوان ورودی آزمون گاما در نظر گرفته شد. نتایج آزمون گاما نشان داد که سطح تراز ایستابی با شش تاخیر زمانی، نتایج بهتری به منظور پیش بینی ارائه می دهد. شبیه سازی سطح تراز ایستابی با استفاده از دو مدل حداقل مربعات ماشین بردار پشتیبان و شبکه بیزین نیز نشان داد که بهترین ساختار ورودی برای پیش بینی سطح تراز ایستابی ماه بعد، تا شش تاخیر زمانی خواهد بود. از میان دو مدل با ساختار ورودی یکسان، مدل حداقل مربعات ماشین بردار پشتیبان، عملکرد بهتری را با توجه به ضریب تبیین 0.977، میانگین خطای مطلق 0.204 و جذر میانگین مربعات خطای 0.307، نسبت به شبکه بیزین داشته است. نتایج تحقیق نشان داد که آزمون گاما در انتخاب ترکیب ورودی مناسب در محاسبات نرم می تواند کارایی بهتری داشته باشد.

Bayesian networks, Gamma Test, Groundwater level, model Least Squares Support Vector Machine, Plain Ardebil

Groundwater has been raised as one of the major sources of water supply for drinking and agriculture, especially in arid and semiarid. Simulation of groundwater system because of the complexity of these systems is a difficult task. In this paper, using data Ardabil plain water level in the period (19722011), the evaluation and selection of appropriate inputs for processing gamma test performance and efficiency of the least squares support vector machines and Bayesian network models were discussed. Monthly water level as input parameters with different delays Gamma test was considered. Gamma test results showed that the water level by 6 latency, offers better results to predict. Water level simulation using least squares support vector machines and Bayesian network models also showed that the input structure to predict the water level the next month will be delayed until six. The two models with the same input structure, least squares support vector machine model, better performance, according to the coefficient of determination 0.977, mean absolute error 0.204 and root mean square error 0.307, compared to Bayesian networks have. The results showed that gamma test compound in the appropriate input soft computing can have a better performance.