شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از مدل‌های ماشین بردار پشتیبان و سیستم استنتاج فازی- عصبی تطبیقی (مطالعه موردی: دشت مراغه)

به منظور مدیریت بهینه منابع آب زیرزمینی، ضروری است برآورد دقیقی از نوسانات سطح آب زیرزمینی انجام پذیرد که در سال‌های اخیر استفاده از روش‌های هوش مصنوعی بر پایه تئوری داده‌کاوی برای این منظور مورد توجه محققین قرار گرفته است. هدف از پژوهش حاضر، مقایسه عملکرد سیستم استنتاج فازیعصبی تطبیقی (anfis) و روش ماشین بردارپشتیبان (svm) در شبیه‌سازی نوسانات سطح آب زیرزمینی می‌باشد. داده‌های بارش و سطح ایستابی ماهانه مربوط به تعداد 25 چاهک مشاهده‌ای در بخشی از محدوده دشت مراغه واقع در استان آذربایجان شرقی مربوط به بازه زمانی 22 ساله (97-1375) به عنوان داده‌های ورودی مورد نیاز مدل‌ها استفاده شد. میانگین تراز سطح ایستابی در محدوده مورد مطالعه 1321 متر و میانگین بارش و دمای سالانه به ترتیب 294 میلی‌متر و 14 درجه سانتی‌گراد می‌باشد. مقادیر میانگین شاخص‌های آماری ضریب همبستگی و ریشه میانگین مربعات خطا برای مدل anfis به ترتیب برابر 0.91 و 0.38 متر و برای مدل svmبه ترتیب برابر 0.92 و 0.40 متر محاسبه شد. نتایج نشان داد، اضافه شدن پارامتر بارش ماهانه به داده‌های ورودی، اثر قابل توجهی بر دقت مدل anfis نداشته است ولی در مدل svm منجر به افزایش دقت مدل به میزان 14 درصد شد. به طور کلی می‌توان بیان داشت، دقت شبیه‌سازی هر دو مدل رضایت بخش بوده با این وجود مدل anfis از برتری جزئی نسبت به مدل svm برخوردار می‌باشد.

Groundwater Level Fluctuation Simulation Using Support Vector Machines and Adaptive Neuro Fuzzy Inference System (Case Study: Maragheh Plain)

In order to optimal management of groundwater resources, accurate estimate of groundwater level fluctuations is required. In recent years, the use of artificial intelligence methods based on data mining theory has increasingly attracted researchers’ attention. The purpose of the present study is to compare the performance of adaptive neurofuzzy inference system (ANFIS) and support vector machine (SVM) methods to simulate groundwater level fluctuations. A 22year dataset (19962018) including hydrological parameters such as monthly precipitation (P) and groundwater level (GL) from 25 observation wells in some parts of Maragheh plain located in East Azarbaijan province were used as models input data. The average groundwater level in the study area is 1321 m and the annual precipitation and temperature was calculated 294 mm and 14 ◦C, respectively. Mean values of statistical indices of correlation coefficients and root mean square error were calculated 0.91 and 0.38 m for the ANFIS model and 0.92 and 0.40 m for the SVM model, respectively. Results showed that the addition of monthly precipitation parameter to the input data had no significant effect on the accuracy of the ANFIS model, however, the model prediction accuracy increased by 14% for the SVM model. In general, the simulation accuracy of both models was acceptable. However, it can be stated that the ANFIS model has a slight advantage over the SVM model.