پیش‌بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه و بهینه‌سازی با ازدحام ذرات کوانتومی

امروزه با توجه به اهمیت بالای مدیریت پایدار آب های زیرزمینی، برای بررسی و ارزیابی منابع آب از مدل‌سازی و پیش‌بینی تراز آب ‌های زیرزمینی (gwl) استفاده می‌ شود. 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 (welm و w) است که در نهایت برای بالا بردن قدرت پیش ‌بینی و بهینه‌ کردن وزن ‌های ورودی (وزن ‌های بین لایه ورودی و پنهان) مدل ‌ها، از الگوریتم بهینه‌ ساز ازدحام ذرات کوانتومی (qpso) استفاده شده است. همچنین، در این مطالعه، از داده‌ های 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 به ‌منظور 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) به‌ منظور آموزش مدل‌ ها و از 20 درصد داده‌ها (مهر 1389 تا شهریور 1396) به‌ منظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجکماشین یادگیری بیشینهبهینه‌ ساز ازدحام ذرات کوانتومی (welmqpso) با داشتن ضریب همبستگی (r) به‌ ترتیب 0.991، 0.983 و 0.975 برای دوره‌ های یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدل‌ها داشته، همچنین، این مدل علاوه‌ بر قدرت پیش ‌بینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدل‌های دیگر از سرعت بالایی برخوردار است.

Prediction of groundwater level in Urmia Plain aquifer using hybrid model of wavelet Transform-Extreme Learning Machine based on quantum particle swarm optimization

Today, due to the importance of sustainable groundwater management, groundwater level modeling and forecasting are used to assess and evaluate water resources. The purpose of this study is to evaluate the performance of two models of Extreme Learning Machines (ELM) and Artificial Neural Network (ANN) and the combination of two models with wavelet transmission algorithms (WELM and WANN), which ultimately to increases the predictive power and optimization of input weights (the weights between the input and hidden layers) of models, Quantum Particle Swarm Optimization algorithm (QPSO) has been used. Also, in this study, the data of Ground Water Level of observation wells (GWL), precipitation (P) and average temperature (T) of Urmia Plain aquifer with a time series of 36 years (1981 – 2017) which were collected on monthly scale, are used. Also, in order to evaluate the performance of models, correlation coefficient (R), Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) were used. In this regard, 80% of the data (September 1981 to August 2010) are used for training section and 20% of data (September 2010 to August 2017) used for the test section of models. Based on the results of this study, the hybrid model of WELMQPSO with correlation coefficient (R) 0.991, 0.983 and 0.975, respectively for periods of one, two and three months in the test section, have a better performance than other models and also in addition to predicting power, this model has a high speed in terms of training and testing speed than other models.