کارایی الگوریتم هیبریدی ازدحام ذرات در شبیه سازی سطح تراز ایستابی (مطالعه موردی: آبخوان دشت اردبیل)

آب زیرزمینی و مدیریت منابع آب نقش کلیدی در پایداری منابع آب در نواحی خشک و نیمه خشک ایفا می کند. پیش بینی تراز آب زیرزمینی به منظور مدیریت و برنامه ریزی منابع آب، بسیار مهم است. در این تحقیق از مدل های شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی مبتنی بر الگوریتم ازدحام ذرات برای تخمین تراز آب زیرزمینی دشت اردبیل استفاده شده است. داده های مورد استفاده شامل تراز سطح ایستابی طی یک دوره آماری 1351 تا 1390 بوده است. ورودی مدل ها در این مطالعه تراز سطح ایستابی در ماه های مختلف بوده است. برای بررسی نتایج دو مدل مذکور از معیارهای ارزیابی مجذور میانیگن مربعات خطا، ضریب همبستگی و ضریب نش ساتکیف استفاده شده است. در نهایت نتایج حاکی از عملکرد بهتر مدل شبکه عصبی مصنوعیازدحام ذرات بوده است. نتایج مجذور میانگین مربعات خطای مدل برتر در فصل بهار، تابستان، پاییز و زمستان به ترتیب برابر با 0.467، 0.507، 0.309، 0.386 بوده است. این نتایج نشان می دهد که ساختار هیبریدی شبکه در بخش آموزش باعث افزایش دقت مدل شده است. بنابراین از مدل مذکور می توان در تخمین تراز سطح ایستابی دشت اردبیل با دقت قابل قبول استفاده کرد.

Performance of hybrid particle swarm algorithm to simulate water level (Case study: Ardabil aquifer)

Groundwater and water resource management play key roles in water resource sustainability in arid and semiarid areas. Forecasting groundwater level is very important for water resource management and planning. In this study, an artificial neural network and a particle swarm algorithm based on artificial neural network models have been used to estimate groundwater level in the Ardebil plain. Water table level data for the 1972 2011 period was used as our data in this study. Model inputs were water table level of various months. Results of both models were evaluated by rootmeansquare error, the correlation coefficient and NashSutcliffe coefficient. Results showed the performance of the particle swarm algorithm based on artificial neural network models to be superior. Rootmeansquare error results for the particle swarm algorithm model in spring, summer, autumn and winter were 0.476, 0.507, 0.309, and 0.386 respectively. These results show that the hybrid structure of the network in training leads to increased accuracy. Thus, the particle swarm algorithm based on artificial neural network models can be used to estimate groundwater level in the Ardebil plain with acceptable accuracy.