مقایسه مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره در پیش‌بینی تغییرات سطح آب زیرزمینی

پیش بینی نوسانات سطح آب زیرزمینی، جهت برنامه ریزی در مناطق خشک و نیمه‌خشک امری ضروری است. در این مطالعه برای پیش بینی نوسانات سطح آب زیرزمینی دو پیزومتر واقع در دشت کرمان از مدل های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره استفاده شد. برای دستیابی به این منظور از عمق آب زیرزمینی ماهانه پیزومترهای مذکور طی سال های 1392-1381 استفاده گردید. نتایج بررسی حالت های مختلف مدل سری زمانی آریما نشان داد که مدل سری زمانی آریما (1و1و0) و (2و0و2) برای پیزومتر جنوب باغین و مدل سری زمانی آریما (1و1و1) و (0و0و2) برای پیزومتر اراضی فرودگاه بهترین برازش را با داده ها داشته است. در مدل‌های شبکه عصبی مصنوعی mlp و rbf مدل mlp با 2 و 4 لایه پنهان برای پیزومترهای جنوب باغین و مدل rbf با 8 و 10 لایه پنهان برای پیزومترهای اراضی فرودگاه بهترین برازش را با داده‌ها داشته‌اند. در مدل‌سازی‌ با روش رگرسیون خطی چندمتغیره، برای هر دو پیزومتر بهترین روابط مدل رگرسیون خطی چندمتغیره به دست آمده نشان داد که رابطه رگرسیون خطی چندمتغیره عمق آب زیرزمینی ماه فعلی تابعی از عمق آب زیرزمینی یک ماه قبل است؛ به عبارت دیگر عمق آب زیرزمینی، بیشترین وابستگی را به عمق آب زیرزمینی ماه قبل دارد. نتایج آزمون معیار خطا و همچنین نتایج مقایسه مقادیر پیش‌بینی مدل‌های mlp، rbf ، arima، و مدل رگرسیون خطی چند متغیره با مقادیر واقعی پیزومترها نشان داد، که پیش بینی عمق آب زیرزمینی به وسیله مدل رگرسیون خطی چندمتغیره از مدل‌های شبکه عصبی و سری زمانی آریما بهتر بوده است.

Comparison of ARIMA Time Series, Multi Linear Regression and Artificial Neural Network Model for Prediction of the Variations of Groundwater Level

Prediction of groundwater level fluctuations is an essential for planning in arid and semiarid regions. In this study, artificial neural network models, ARIMA time series and multivariate linear regression models were used to predict groundwater fluctuations of two piezometers located in Kerman plain. In order to achieve this goal, the depth of groundwater of the monthly piezometers was used during the years 20022013. The results of studying different models of ARIMA model showed that the ARIMA (0,1,1) and (2,0,2) for south Baghin piezometer and ARIMA (1,1,1) and (2,0,0) for Airport areas piezometer are the bestfit time series model with the data. In the model of MLP and RBF artificial neural network, MLP with 2 and 4 layers of hidden and RBF with 8 and 10 hidden layers for southern Baghin piezometers and the airport areas have the best fit with the data. In multivariate linear regression modeling, for each of the two piezometers, the best correlations of the multivariable linear regression model show that the multivariate linear regression relationship of groundwater depth of the current month is a function of groundwater depth of one month prior; in other words, the depth of water the ground water level has the highest dependence on groundwater depth of its prior month. The results showed that prediction of groundwater depth by multivariate linear regression model is better than Neural Network and ARIMA model.