پیش بینی سطح ایستابی آب زیرزمینی آبخوان چهاردولی در شهرستان قروه با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان

تخمین تراز سطح ایستابی از مسایل مهم و اساسی در برنامه ریزی کشاورزی، مدیریت منابع آب و تعیین نیاز آبی گیاهان است. در این تحقیق کارایی مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تخمین سطح آب زیرزمینی آبخوان چهاردولی در شهرستان قروه مورد بررسی قرار گرفت. برای اجراء مدل ها از داده های بارش، دبی و دما و تراز سطح ایستابی در ماه قبل به عنوان متغیرهای ورودی و تراز سطح ایستابی در ماه بعد به عنوان متغیر خروجی در مقیاس زمانی ماهانه در طی دوره آماری (1396-1385) استفاده گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورد استفاده قرار گرفت. برای مدلسازی با روش های یاد شده، از سال 1385-1394 داده های آموزش و از سال 1394-1396 داده های اعتبارسنجی مدل استفاده شدند. نتایج بدست آمده نشان داد که هر دو مدل در برآورد تراز سطح ایستابی دقت قابل قبولی داشته، به طوریکه معیار ضریب تبیین در مرحله واسنجی در مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان برابر با 0/74 و 94 /0 بودند. مقایسه دو مدل نشان داد که مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی عملکرد بهتری دارد و دقت پیش بینی برای یک سال در این مدل کاهش یافته است.

predicting the groundwater level of chahardoli aquifer in qorveh city using artificial neural network and support vector machine

estimating water level is one of the most important and basic issues in agricultural planning, water resources management and determining the water needs of plants. in this study, the efficiency of artificial neural network models and support vector machines in estimating the groundwater level of chahardoli aquifer in qorveh city was investigated. to run the models, from the data of precipitation, flow and temperature and water level level in the previous month as input variables and water level in the next month as output variable on a monthly time scale during the statistical period (20062017) was used. the criteria of correlation coefficient, root mean square error and mean absolute error value were used to evaluate and also compare the performance of the models. for modeling with the mentioned methods, training data from 20062015 and model validation data from 20152016 were used. the results showed that both models had acceptable accuracy in estimating the water table level. so that the coefficient of determination in the calibration stage in the models of artificial neural network and support vector machine were equal to 0.74 and 0.94. comparison of the two models showed that the support vector machine model performs better than the artificial neural network and the prediction accuracy has been decreased for one year in this model.