پیش‌بینی نوسانات عمق سطح آب زیرزمینی با استفاده از مدل‌های تلفیقی شبکه‌ی عصبی- فازی تطبیقی- موجکی (WNF) (مطالعه موردی: دشت الشتر)

نویسنده

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه لرستان

چکیده

هدف از تحقیق حاضر، تخمین سطح آب زیرزمینی دشت الشتر در زمان‌های ،  و  با استفاده از پارامترهای دما، بارش و سطح آب زیرزمینی در زمان‌های ،  و  با استفاده از مدل‌های شبکه عصبی (ANN)، سیستم استنتاج عصبی-فازی (ANFIS)، عصبی- موجک (WNN) و تلفیق شبکه‌ی عصبی- فازی- موجک (WNF) می‌باشد. جهت ارزیابی مدل‌ها از دو شاخص  و RMSE استفاده گردید. نتایج حاصل از پیش‌بینی مدل‌های مختلف نشان داد که ANFIS، WNN و WNF نسبت به مدل ANN در پیش‌بینی عمق سطح آب زیرزمینی دارای دقت بالاتری می‌باشند. همچنین مقایسه نتایج حاصل از  مدل‌هایی با پایه موجک و دیگر مدل‌ها‌ نشان می‌دهد، این مدل‌ها (WNN و WMF) دارای دقت بالاتری نسبت به دیگر مدل‌ها می‌باشند. به طوریکه استفاده از مدل WNF نسبت به ANN شاخص R2 را از 94/0 به 98/ 0 (در پیش بینی یک ماه)، 84/0 به 93/0 (در پیش بینی سه ماهه) 76/0 به 85/0 (در پیش بینی شش ماهه) افزایش داده است. همچنین مدل WNF نسبت به ANN، شاخص RMSE را به ترتیب از 56/0 به 32/0 (در پیش بینی یک ماه)، 96/0 به 66/0 (در پیش بینی سه ماهه) و 18/1 به 97/0 (در پیش بینی شش ماهه) کاهش داده است. نتایج پیش‌بینی عمق سطح آب زیرزمینی با مدل‌های چهارگانه نشان داد که این مدل‌ها در پیش‌بینی گام‌های زمانی کوتاه‌تر، دارای نتایج دقیقتر بوده و استفاده از آنها در پیش‌بینی‌های با تأخیر زمانی بیشتر از سه ماهه، نه‌تنها تأثیر چندانی بر دقت مدل‌ نداشته بلکه در مدل‌های با پایه موجک، سبب کاهش دقت می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting Groundwater table depth fluctuations using conjunction models of Wavelet – Neural - Fuzzy Network (WNF) (case study: Aleshtar Plain)

نویسنده [English]

  • Masoud Shakarami
Department of Water Engineering, Faculty of Agriculture, University of Lorestan, Khorramabad, Iran
چکیده [English]

The aim of this study was to estimate the groundwater level of Aleshtar plain at times t + 1, t + 3 and t + 6 using the parameters of temperature, precipitation and groundwater level at times t, t-1 and t-2 using models: neural network (ANN) , a neural fuzzy inference system (ANFIS), a neural-wavelet (WNN), and an integrated neural-fuzzy-wavelet (WNF) network. Two indices R2 and RMSE were used to evaluate the models. The results of predicting different models showed that ANFIS, WNN and WNF have higher accuracy in predicting groundwater level than ANN model. Also, the comparison of the results obtained from wavelet-based models and other models showed that these models (WNN and WMF) have higher accuracy than other models due to pre-processing and data analysis. The use of WNF model compared to ANN has increased the R2 index from 0.94 to 0.98 (in one-month forecast), 0.84 to 0.93 (in three-month forecast) 0.76 to 0.85 ( In the six-month forecast). Also, WNF compared to ANN model, has decreased RMSE index from 0.56 to 0.32 (in one-month forecast), 0.96 to 0.66 (in three-month forecast) and 1.18 to 0.97 (in the six-month forecast). The results of groundwater depth prediction with four models showed that these models have more accurate in predicting shorter time steps. Also, using of models in predictions with a time delay of more than three months, not only does not have much effect on the accuracy of the model, but in models with wavelet basis reduces the accuracy.

کلیدواژه‌ها [English]

  • Aleshtar
  • Groundwater
  • Neuro-fuzzy-Wavelet
  • Time series
  • Wavelet transform

مراجع

اسمعیلی گیساوندانی ،ح.، ع.م. آخوندعلی، ح. زارعی و م. تقیان.1396. ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب. پژوهش‌های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، سال بیست و چهارم، شماره 3، ص 166-149.
باباعلی، ح. و ر. دهقانی. 1398. بررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه. علوم و مهندسی آبیاری، سال چهل و دوم، شماره 3 ، ص 116-105.
پورمحمدی، س.، ح. ملکی‌نژاد و ر. پورشرعیاتی. 1392. مقایسه کارایی روش های شبکه عصبی و سری های زمانی در پیش بینی سطح آب زیرزمینی (مطالعه موردی: زیرحوزه بختگان استان فارس). نشریه پژوهش‌های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، سال بیستم، شماره 4، ص 262-251.
حسن زاده، ی. ، ع. کردانی وا.  فاخری فرد. 1391. پیش بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی-موجکی. فصلنامه علمی-پژوهشی آب و فاضلاب، سال بیست و سه، شماره 83، ص 59-48.
دهقانی، ا.، م. عسگری و ا. مساعدی. 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی، عصبی تطبیقی و زمین آمار در میان یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین). علوم کشاورزی و منابع طبیعی، سال شانزدهم، شماره 1، ص 528-517.
زارع ابیانه، ح.ر. و م. بیات ورکشی. 1390. ارزیابی مدل‌های هوشمند عصبی و تجربی در تخمین رواناب سالانه. مجله آب و خاک (علوم و صنایع کشاورزی)، سال بیست و پنجم، شماره 2، ص 365-379
زمانی، ر.، ا. محمودی, ع.م. آخوندعلی، ح. زارعی و ف. رادمنش. 1393. تخمین سطح ایستابی با استفاده از یک روش ترکیبی بهینه شده با الگوریتم ژنتیک در دشت رامهرمز. نشریه آبیاری و آب ایران، سال چهارم، شماره 3، ص 38-26.
سلیمانی مطلق، م.، ه. قاسمیه و ع. مطالبی. 1395. تغییر ضرایب ذخیره و قابلیت انتقال آبخوان دشت الشتر به علت خشکسالی و افزایش بهره‌برداری منابع آب زیرزمینی. مجله علمی پژوهشی مهندسی اکوسیستم بیابان، سال پنجم، شماره 11، ص 104-93.
شاهی نژاد، ب.، ر. دهقانی. 1397. مقایسه مدل های شبکه عصبی موجک، ماشین بردار پشتیبان و برنامه ریزی بیان ژن در تخمین میزان اکسیژن محلول در اب رودخانه‌ها. نشریه تحقیقات منابع آب ایران، سال چهاردهم، شماره 3، ص 277-265.
عربی جوانمرد، ز. و ه. جعفری. 1395. بررسی نوسانات سطح ایستابی در آبخوان الشتر، مجموعه مقالات بیستمین همایش انجمن زمین شناسی ایران ۱۶ تا ۱۸ شهریور ماه ۱۳۹۵، دانشگاه .
علیجانی، ع. و ب، پناهی. 1392. پیش‌بینی دبی اوج سیلابی با استفاده از مدل شبکه عصبی مصنوعی و رگرسیون چند متغیره (مطالعه موردی (حوضه آبریز مادرسو استان گلستان). نشریه جغرافیا، سال یازدهم، شماره 38، ص 113-132.
کالیرادا، ز.، آ. ملکیان و ب. معتمد. 1392. تعیین الگوی توزیع منابع آب زیرزمینی (مطالعه موردی: حوزه آبخیز الشتر، استان لرستان). پژوهشنامه مدیریت حوزه آبخیز، سال چهارم، شماره 7، ص 69-57.
کرباسی، م. 1395. پیش بینی تبخیر- تعرق مرجع هفتگی با استفاده از مدل ترکیبی موجک- فازی عصبی تطبیقی. نشریه پژوهش آب در کشاورزی (علوم خاک و آب)، سال سی، شماره یک، ص 87-73.
معروفی،ص.، ک. امیرمرادی و ن. پارسافر. 1392. پیش‌بینی جریان روزانه با استفاده از شبکه‌های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای). دانش آب و خاک.  سال بیست و سوم ، شماره 3 ، ص 93-103.
نیرومند فرد، ف.، ع. خاشعی سیوکی و ع.، شهیدی. 1398. ارزیابی کارایی دو مدل نروفازی و هیبرید موجکی- عصبی در پیش بینی جریان رودخانه (مطالعه موردی: حوضه محمد آباد). نشریه پژوهشنامه مدیریت حوزه آبخیز، سال دهم، شماره 19، ص 221-211.
Bachour, R., I. Maslova, A. Ticlavilca, W. Walker and M. McKee. 2015. Wavelet-multivariate relevance vector machine hybrid model for forecasting daily evapotranspiration. Stochastic Environmental Research and Risk Assessment, 29(2):1-15.
Cannas B., A. Fanni, L. See, and G. Sias. 2006. Data preprocessing for river flow forecasting using neural networks, Wavelet transforms and data partitioning. Physics and Chemistry of the Earth, Parts A/B/C, 31(18): 1164-1171.
Etter, S., N. Addor, M. Huss and F. David. 2017. Climate change impacts on future snow ice and rain runoff in a swiss mountain catchment using multi-dataset calibration. J. Hydrology: Regional Studies. 13:222-239.
Gong, Y., Zh. Wang, G. Xu, Z. Zhang. 2018. A Comparative Study of Groundwater Level Forecasting Using Data-Driven Models Based on Ensemble Empirical Mode Decomposition. Water, 10 (6), 730.
Javan, K., M.R. Fallah Haghgoo Lialestani and M. Nejadhossein. 2015. A comparison of ANN and HSPF models for runoff simulation in Gharehsoo River watershed, Iran. J. Modeling Earth Systems and Environment. 1(41):1-13.
Jeihouni, M., R., Delirhasannia, S.K., Alavipanah, M., Shahabi, S. Samadianfard, .2015. Spatial analysis of groundwater electrical conductivity using ordinary kriging and artificial intelligence methods (Case study: Tabriz plain, Iran). Original scientific paper, GEOFIZIKA,. 32(2): 191–208.
Kisi, O. and J. Shiri. 2012. Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research, 43(3):286-300.
Kisi, O. and J. Shiri. 2012. Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research. 43(3):286-300.
Maroufpoor, S., A.Fakheri-Fard, and J. Shiri. 2018. Study of the spatial distribution of groundwater quality using soft computing and geostatistical models, ISH Journal of Hydraulic Engineering, 2017. https://doi.org/10.1080/09715010.2017.1408036
Nourani, V., M.T. Alami, F.D.Vousoughi. 2015. Wavelet-entropy data pre-processing approach for ANN-based groundwater level modeling. J. Hydrol. 524: 255–269.
Shiri, J., Ö. Kisi. 2011. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Comput. Geosci. 37: 1692–1701.
Suryanarayana, C., C. Sudheer, V. Mahammood, B.K. Panigrahi.2014. An integrated wavelet-support vector machine for groundwater level prediction in visakhapatnam, india. Neurocomputing. 145: 324–335.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار