ارزیابی مدل ترکیبی anfis - gwo در پیش‌بینی تراز آب‌ زیرزمینی دشت زرندیه ساوه

در این تحقیق تدقیق شبکه عصبی فازی (anfis) در ترکیب با الگوریتم گرگ خاکستری (gwo-anfis) برای اولین بار در پیش‌بینی تراز آب زیرزمینی با کاربرد داده‌های چاپ نشدۀ مشاهده‌ای 1397-1377 از آبخوان زرندیه ارزیابی شد. سه چاه مشاهده‌ای بصورت تصادفی برای تجزیه و تحلیل انتخاب شد. بررسی معیارهای ارزیابی نشان داد که از بین سناریوهای بکار رفته با کاربرد مدل ترکیبی، سناریوی d با ترکیب داده‌های ورودی، تراز آب‌زیرزمینی ماه قبل، بارش، دما و بهره‌برداری از آب زیرزمینی به‌عنوان سناریو‌ بهینه مدل ترکیبی انتخاب شد. برای سناریو d، چاه مشاهده‌ای اوّل پارامترهای nash، rmse، mape به‌ترتیب مساوی 0/29، 0/47 متر و 0/99 به‌دست آمد. برای چاه مشاهده‌ای دوّم سناریوی c با ترکیب داده‌های ورودی، تراز آب زیرزمینی ماه قبل، بارش و بهره‌برداری از آب زیرزمینی به‌عنوان سناریو بهینه انتخاب شد و برای همان پارامترها مقادیر 0/20 ، 0/26 متر و 0/99 به‌دست آمد. برای چاه سوّم سناریوی a با داده‌های ورودی، تراز آب زیرزمینی ماه قبل به‌عنوان سناریو بهینه مدل anfis-gwo انتخاب شد و مقادیر همان پارامترها برای این سناریو برابر 0/29، 0/41 متر و 0/99 به‌دست آمد. بر اساس نتایج، الگوریتم گرگ خاکستری در آموزش مدل‌ anfis توانست میانگین خطای پیش‌بینی را به مقدار 03/ 0 (rmse) و 0/02 (mape) متر کاهش و مقدار میانگین nash  را به میزان 0/01 افزایش و سبب افزایش دقت پیش‌بینی‌ها شود.

evaluation of anfis-gwo combined model in predicting groundwater level of saveh zarandieh plain, iran

in this study, the accuracy of the adaptive network-based fuzzy inference system (anfis) in integrating with the gray wolf algorithm (anfis-gwo) in predicting groundwater level was evaluated for the first time using unpublished observational data from 1998 to 2018 in the zarandieh aquifer, central iran. three observational wells were randomly selected for analysis. assessment of evaluation criteria demonstrated that among the proposed scenarios using the hybrid model, the d scenario was selected as the optimal scenario with input data including the previous month’s groundwater level, precipitation, temperature, and groundwater extraction. in the d scenario, parameters including mape, rmse, and nash were 0.29 m, 0.47 m, and 0.99, respectively for the first observational well. also, c scenario with input data including the previous month’s groundwater level, precipitation, and groundwater extraction for the second observational well, for the same parameters mentioned above equal to 0.20 m, 0.26 m, and 0.99. as well for the third observational well, the a scenario with input data including the previous month’s groundwater level for the same parameters equal to 0.29 m, 0.41 m, and 0.99 as the optimal scenarios were selected using the anfis-gwo model. based on the results, the gray wolf algorithm in training the anfis model was able to reduce the average forecast error by equal to 0.03 (rmse) and 0.02 (mape) meter and increased the average nash value equal to 0.01 and increased the accuracy of predictions.