عملکرد شش روش ترکیبی هوشمند در مدل‌سازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق

بررسی و کنترل کیفیت آب‌های زیرزمینی در برنامه ریزی و توسعه منابع آب نقش مهمی دارد و استفاده از یک روش کارا ‌می‌تواند تا حد زیادی موجب افزایش دقت و کاهش هزینه‌ها در این زمینه گردد. در این پژوهش، برای آموزش و بهینه یابی پارامترهای مدل سیستم استنتاج عصبیفازی (anfis) جهت مدل سازی کیفی آب زیرزمینی دشت بافق در استان یزد، از 6 الگوریتم فراابتکاری بهینه سازی ازدحام ذرات (pso)، ژنتیک (ga)، رقابت استعماری (ica)، کرم شب تاب (fa)، فرهنگی (ca) و استراتژی تکامل انطباق ماتریس کوواریانس (cmaes) استفاده گردید. برای انتخاب بهترین ترکیب ورودی جهت تخمین سه پارامتر هدایت الکتریکی (ec)، جذب سدیم (sar) و سختی کل (th) از روش‌های پیرسون و اسپیرمن برای تحلیل حساسیت و میزان همبستگی سایر پارامترها استفاده گردید و مدل سازی کیفی با روش‌های ترکیبی انجام و عملکرد مدل‌ها با نمایه‌های ضریب همبستگی(r2)، خطای جذر میانگین مربعات (rmse) و ضریب نشساتکلیف (nse) سنجیده شد. نتایج نشان داد که هر شش روش ترکیبی عملکرد بسیار مناسبی را در مدل سازی پارامترهای آب زیرزمینی از خود نشان دادند. همچنین مدل anfisfa در هر سه دسته مدل سازی جزو بهترین مدل‌ها بود، به طوری که مقدار r2 ، rmse و nse آن به ترتیب برای بخش آزمایش در th، 99/0، 41/0 و 99/0، برای sar، 98/0، 11/1 و 95/0 و برای ec، 99/0، 7/305 و 99/0 به دست آمد. سایر روش‌ها نیز با دقتی مناسب موفق به مدل سازی و پیش بینی پارامترهای موردنظر شدند. با توجه به دقت محاسبات، این روش‌ها گزینه‌های مناسبی برای پیش بینی متغیرهای کیفی آب زیرزمینی به شمار ‌می‌روند.

Performance Six Intelligent Combined Methods in Groundwater quality modeling, Case study: Bafgh Plain

Assessment and controlling groundwater quality have an important role in planning and developing water resources. Therefore, the use of an efficient method can greatly increase accuracy and reduce costs in this field. In this study, 6 optimization algorithms Consist of Particle swarm optimization (PSO), Genetic algorithm (GA), Imperialist competitive algorithm (ICA), Fireflies algorithm(FA), Cultural algorithm(CA) and covariance matrix adaptation evolution strategy Evolution strategies (CMAES) were used to train and optimize the parameters of the neuralfuzzy inference system model (ANFIS) to model the groundwater quality of Bafgh plain in Yazd province. At first, to select the best combination of input for an estimate of the electrical conductivity (EC), sodium adsorption (SAR) and total hardness (TH), Pearson and Spearman’s methods were used to analyze the sensitivity and correlation of other parameters. then qualitative modeling is done with hybrid methods and the performance of the models was measured by correlation coefficients (R2), root mean square error (RMSE), and NashSutcliffe Efficiency (NSE). The results showed that all six combined methods showed a very good performance in modeling groundwater parameters. Also, the ANFISFA model was one of the best models in all three modeling parts. So that the value of R2, RMSE and NSE for the test part in TH was, 0.99, 0.41, 0.99, for SAR, 0.98, 1.11,0.95 and for EC 0.99, 305.7 and 0.99. Other methods have also succeeded in modeling and predicting the desired parameters with proper precision. According to the accuracy of the calculations, these methods are suitable alternatives for the prediction of groundwater quality variables.