شبیه‌سازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره

امروزه برای اجرای سناریوهای مدیریتی، انتخاب راهکارهای عملی مناسب در جهت مدیریت منابع آب زیرزمینی و همچنین تعیین نرخ مناسب برداشت از آب زیرزمینی نیازمند ساخت مدل ساده‌شده‌ای از آبخوان و شبیه‌سازی آن می‌باشد. نخستین اقدام در جهت مدیریت آب زیرزمینی، شبیه‌سازی تراز سطح آب زیرزمینی و سپس پیش‌بینی آن با توجه به عوامل موثر بر تراز سطح آب زیرزمینی است. ازاین‌رو در تحقیق حاضر، سعی شده است از سه مدل مختلف داده مبنا جهت شبیه‌سازی تراز سطح آب زیرزمینی استفاده گردد، تا کارایی مدل حداقل مربعات بردار پشتیبان نسبت به مدل رگرسیونی خطی چند متغیره و شبکه عصبی مقایسه گردد. رویکرد حاضر در آبخوان امام‌زاده جعفر در استان کهگیلویه و بویراحمد انجام شد. بدین منظور الگوهای مختلفی با ترکیب داده‌های ورودی تراز سطح آب زیرزمینی در ماه قبل، بارش، دما، برداشت از آبخوان و تبخیر در ماه حاضر برای برآورد مقدار تراز سطح آب زیرزمینی در انتهای ماه بررسی تدوین گردید. طول دوره موردنظر 20 ساله شامل240 داده و در گام ماهانه از سال 1376 تا 1395 در نظر گرفته شد. از حدود 75 درصد داده‌ها برای آموزش مدل و 25 درصد جهت آزمون مدل‌ها و انتخاب الگوی برتر از بین الگوهای مختلف استفاده گردید. نتایج نشان داد که هر سه مدل بکار رفته با دقت قابل قبولی قادر به شبیه‌سازی تراز سطح آب زیرزمینی هستند. از بین مدل‌ها، مدل حداقل مربعات ماشین بردار پشتیبان با معیارهای ارزیابی rmse، mape و ضریب تبیین برای بخش صحت سنجی به ترتیب برابر 0.61 متر، 0.069 و 0.99 برای الگوی با ترکیب پارامترهای تراز سطح آب زیرزمینی در انتهای ماه قبل، برداشت از آبخوان و بارندگی ماه موجود به‌عنوان مدل برتر انتخاب گردید درنهایت از مدل‌های مذکور می‌توان به‌عنوان جایگزین مدل‌های عددی در جهت مدیریت و پیش‌بینی تراز سطح آب زیرزمینی استفاده کرد.

Simulation of groundwater head using LSSVM and comparison with ANN & MLR

Nowadays, in order to implement management scenarios, choosing appropriate practical solutions for managing groundwater resources as well as determining the appropriate groundwater harvesting rate requires a simplified aquifer model and its simulation. On the other hand, modeling of groundwater aquifers is very important for simulating and predicting the water level. The first step in groundwater management is the simulation of groundwater level which is followed by its prediction based on the factors affecting the groundwater level. In this study, three models, namely, leastsquare support vector machine (LSSVM), multivariate linear regression (MLR) and artificial neural networks (ANN) were used to simulate the groundwater level. The study was carried out on ImamZadeh Jafar aquifer in Kohgilouye and Boyerahmad province, Iran. To do this, several input features including groundwater level in previous month, precipitation, temperature, aquifer exploitation, and evaporation in the current month were considered to predict groundwater level at the end of the current month. The target time period was monthly data of 20 years from 1997 to 2016. About 75% of the data were used for model training and the remaining for test. The results revealed that all three models were capable of simulating groundwater level with acceptable performance. Among them, LSSVM having groundwater level in previous month, aquifer exploitation, and precipitation as input features resulted in the highest accuracy with RMSE, MAPE, and R2 equal to 0.61, 0.069, and 0.99, respectively. These models can be used as alternatives for numerical models to manage and predict groundwater level in groundwater resources management problems.