شبیه‌سازی نوسانات سطح آب زیرزمینی با استفاده از مدل‌های یادگیری ماشین رگرسیون خطی (svr) و یادگیری افراطی (elm)

هدف: هدف از این مطالعه مدل‌سازی سطح آب زیرزمینی در مناطق خشک و نیمه‌خشک، مانند دشت بهار، برای مدیریت پایدار منابع آبی با استفاده از دو مدل یادگیری ماشین پیشرفته، یعنی ماشین بردار پشتیبان (svr) و ماشین یادگیری شدید (elm) است. روش پژوهش: در این مطالعه، داده‌های 10ساله شامل سطح آب زیرزمینی، بارندگی، تبخیر و دما با گام زمانی ماهانه برای توسعه این مدل‌ها استفاده شد. تمامی متغیرها برای جلوگیری از بایاس شدن مدل‌ها به بازه 0 تا 1 نرمال‌سازی شدند و شاخص‌های rmse، nse و r² برای ارزیابی عملکرد مدل‌ها به کار گرفته شدند. یافته‌ها: نتایج نشان داد که مدل elm با تابع فعال‌ساز چندجمله‌ای در هر دو مرحله آموزش و آزمون بهترین عملکرد را ارائه داده است (آموزش:0.9097 rmse = 0.1747 , nse = 0.9045 , )، (تست:0.9098 rmse = 0.1675 , nse = 0.9048 , ) . در مقابل، مدل svr با کرنل چندحمله ایی بهترین دقت را در هر دو مرحله نشان داد(آموزش:0.9038 rmse = 0.2246 , nse = 0.8740 , )، (تست:0.9048 rmse = 0.2218 , nse = 0.8758 , ) نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که مدل elm می‌تواند به‌عنوان ابزاری موثر در مدیریت منابع آب زیرزمینی استفاده شود. از سوی دیگر، عملکرد ضعیف مدل svr با کرنل خطی حاکی از عدم کارایی آن در مدل‌سازی روابط غیرخطی در داده‌های مناطق خشک و نیمه‌خشک است. هدف: هدف از این مطالعه مدل‌سازی سطح آب زیرزمینی در مناطق خشک و نیمه‌خشک، مانند دشت بهار، برای مدیریت پایدار منابع آبی با استفاده از دو مدل یادگیری ماشین پیشرفته، یعنی ماشین بردار پشتیبان (svr) و ماشین یادگیری شدید (elm) است. روش پژوهش: در این مطالعه، داده‌های 10ساله شامل سطح آب زیرزمینی، بارندگی، تبخیر و دما با گام زمانی ماهانه برای توسعه این مدل‌ها استفاده شد. تمامی متغیرها برای جلوگیری از بایاس شدن مدل‌ها به بازه 0 تا 1 نرمال‌سازی شدند و شاخص‌های rmse، nse و r² برای ارزیابی عملکرد مدل‌ها به کار گرفته شدند. یافته‌ها: نتایج نشان داد که مدل elm با تابع فعال‌ساز چندجمله‌ای در هر دو مرحله آموزش و آزمون بهترین عملکرد را ارائه داده است (آموزش:0.9097 rmse = 0.1747 , nse = 0.9045 , )، (تست:0.9098 rmse = 0.1675 , nse = 0.9048 , ) . در مقابل، مدل svr با کرنل چندحمله ایی بهترین دقت را در هر دو مرحله نشان داد(آموزش:0.9038 rmse = 0.2246 , nse = 0.8740 , )، (تست:0.9048 rmse = 0.2218 , nse = 0.8758 , ) نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که مدل elm می‌تواند به‌عنوان ابزاری موثر در مدیریت منابع آب زیرزمینی استفاده شود. از سوی دیگر، عملکرد ضعیف مدل svr با کرنل خطی حاکی از عدم کارایی آن در مدل‌سازی روابط غیرخطی در داده‌های مناطق خشک و نیمه‌خشک است.

simulating groundwater level fluctuations using linear regression (svr) and extreme learning (elm) machine models

objective: in this study, two advanced machine learning methods, namely support vector machine (svr) and extreme learning machine (elm), are investigated for the groundwater level simulation. method: the svr model performs well due to its ability to simulate complex and nonlinear relationships and the use of kernel functions for accurate prediction. the elm model, with its high computational speed and structural simplicity, is suitable for processing large and complex data. in this study, 10-year data including groundwater level, precipitation, evaporation and temperature with monthly time steps were used to develop these models. all variables were normalized to the range of 0 to 1 to prevent bias in the models and rmse, nse and r² indices were used to evaluate the performance of the models. results: the results showed that the elm model with polynomial activation function provided the best performance in both training and testing stages (training: rmse=0.1747, nse=0.9045, r2=0.9097), (test: rmse=0.1675, nse=0.9048, r2=0.9098). in contrast, the svr model with the multi-attack kernel function showed the best accuracy in both stages (training: rmse=0.2246, nse=0.8740, r2=0.9038), (test: rmse=0.2218, nse=0.8758, r2=0.9048). conclusions:  the findings of this study indicate that the elm model can be used as an effective tool in groundwater resources management. on the other hand, the poor performance of the svr model with the linear kernel indicates its inefficiency in modeling nonlinear relationships in data from arid and semi-arid regions.