پیش‌بینی پیشروی آب شور در آبخوان ساحلی با استفاده از ماشین‌بردار پشتیبان رگرسیونی به‌عنوان مدل جایگزین

پیش‌بینی هجوم آب شور به آبخوان ساحلی در اثر تغییر میزان برداشت از آب زیرزمینی یکی از پیش‌نیازهای مدیریت آب زیرزمینی است. این پژوهش قابلیت انواع مختلف مدل‌های ماشین‌بردار پشتیبان رگرسیونی (svr) را برای پیش‌بینی میزان شوری در چاه پایش منتخب در یک آبخوان ساحلی کوچک تحت شرایط مختلف برداشت آب زیرزمینی بررسی می‌کند. مدل‌های svr با مجموعه‌های ورودی (پمپاژگذرای تصادفی از چاه‌های آبده) حاصل از نمونه‌برداری ابرمکعب لاتین و خروجی (غلظت شوری در چاه پایش منتخب) آموزش یافته و آزمایش شدند. سپس، مدل‌های آموزش یافته و آزمایش شده برای پیش‌بینی میزان شوری در چاه پایش منتخب برای مجموعه داده‌های جدید پمپاژ استفاده شدند. قابلیت پیش‌بینی و تعمیم‌دهی عملی مدل‌ها در مقایسه با مدل رایج شبکه عصبی مصنوعی با استفاده از شاخص‌های ارزیابی مختلف بررسی شد. نتایج ارزیابی عملکرد مدل‌ها نشان داد که قابلیت پیش‌بینی مدل svr چندجمله‌ای بر سایر مدل‌ها برتری دارد. همچنین همه مدل‌های svr مورد بررسی به‌جز مدل svr خطی، پیشروی آب شور را به‌طور قابل قبولی پیش‌بینی کردند. قابلیت پیش‌بینی و تعمیم‌دهی مدل‌های svr چندجمله‌ای، استفاده از آنها را برای اتصال به الگوریتم بهینه‌سازی در شیوه بهینه‌سازی شبیه‌سازی مبتنی بر مدل جانشین برای مدیریت آبخوان‌های ساحلی توصیه می‌کند.

Predicting Saltwater Intrusion into Coastal Aquifers Using Support Vector Regression Surrogate Models

The prediction of the intrusion of saline water into coastal aquifers as a result of changing the amount of groundwater extractions is a prerequisite for managing groundwater. This study investigates the capability of different types of Support Vector Regression (SVR) models to predict salinity concentrations at the selected well in the small coastal aquifer under different groundwater abstraction conditions. SVR models were trained and tested using input (random transient pumping from the production wells) derived from Latin Hypercube Sampling and output (salinity concentration at the selected well) datasets. The trained and tested models were then used to predict salinity concentrations at the selected well for new pumping datasets. The models ability for predicting and generalizing compared with commonly used artificial neural network (ANN) model was evaluated using different performance criteria. The results of the performance evaluation of the models showed that the predictive capability of the polynomial SVR model is superior to other models. Also, comparing different performance criteria for all SVR models, except for linear SVR model, proved their acceptable predictive performance. The prediction and generalisation ability of polynomial SVR, recommends using these models to connect to the optimization algorithm for a surrogate model based simulationoptimization approach in sustainable management of coastal aquifers.