Irrigation and Water Engineering

Irrigation and Water Engineering

Comparison of SVM and ANN models in simulation the Groundwater level of observation wells in Nahavand Plain - Hamedan Province

Document Type : Original Article

Authors
Abdollah Taheritizro 1
Mehdi Talebi Afkham 2
rojin fasihi 3
1 Associate Professor, Department of Department of Water Science and 3. Engineering, Faculty of Agriculture, University of Bu-Ali Sina, Hamedan, Iran
2 Graduated of Water Resource engineering, Department of Water Science and Engineering, Faculty of Agriculture, University of Bu-Ali Sina, Hamedan, Iran
3 Ph.D Graduated of Water Resource engineering, Department of Water Science and Engineering, Faculty of Agriculture, University of Bu-Ali Sina, Hamedan, Iran
10.22125/iwe.2023.418876.1754
Abstract
In this research, support vector machine (SVM) and artificial neural network (ANN) were used to simulate the monthly Groundwater level of Nahavand plain located in Hamedan province. Twenty years data (1997-2017) were used by engaging Matlab software. From these data, 14 years were used for training, 3 years for calibration and finally 3 years used for model validation. The statistical comparison of the results was also attempted with the aid of correlation coefficient (r) and standard error (SE). Four observation wells were used along with the variables of Groundwater level, precipitation, evaporation and temperature to simulate the Groundwater level. The highest accuracy among these two models is SVM model, which has SE = 0.11 in the training mode and 0.03 in the test mode. Also, the correlation coefficient in the test mode is 98%. Considering the appropriate accuracy of SVM method in simulating the groundwater level, the results indicate that, the RBF kernel function, with a variance of 6523 and a gamma of 527.23 for the optimal mode. The results of this study showed by using the SVM approach is more realistic in simulation of groundwater level and evaluation of the input parameters. In addition this could help in reducing the number of input parameters as well as can show appropriate accuracy for the simulation.
Keywords
Groundwater level
Nahavand plain
SVM
Matlab
Subjects
ایزدی، ع ا.، داوری، ک.، علیزاده، ا.، و قهرمان، ب. (1387). کاربرد مدل داده‌های ترکیبی در پیش‌بینی سطح آب زیرزمینی. مجله آبیاری و زهکشی ایران. 2 (2): 144-133.
بی نام. (1402). دفتر مطالعات پایه آب منطقه­ای همدان. همدان. ایران.
پورصالحی، ف.، خاشعی سیوکی، ع.، و هاشمی س ر. (1400). بررسی عملکرد الگوریتم جنگل تصادفی در پیش‌بینی نوسانات سطح ایستابی در مقایسه‏ با دو مدل‏ درخت تصمیم و شبکۀ عصبی مصنوعی ‌(مطالعۀ موردی: آبخوان آزاد دشت بیرجند). اکوهیدرولوژی. 8(4):961-974.
رضایی، ا.، خاشعی سیوکی، ع.، و شهیدی ع. (1393). طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM). تحقیقات آب و خاک ایران، 45(4): 389-396.
زارعی، م، زندی، ر.، و ناعمی تبار، م. (1401). ارزیابی پتانسیل وقوع سیل با استفاده از مدل های داده­کاوی ماشین بردار پشتیبان، چاید و جنگل تصادفی (مطالعه موردی: حوزه آبخیز فریزی). پ‍‍ژوهشنامه مدیریت حوزه آبخیز. ۱۳ (۲۵) :۱۳۳-۱۴۴
سعیدی رضوی، ب.، و عرب، ع ر. (1397). پیش‌بینی سطح آب زیرزمینی با استفاده از مدل‌های منطق فازی، شبکه عصبی و سری زمانی. مجله هیدروژئولوژی، (2)3 .61-83.
شالودگی، ا.، و بایزیدی، م. (1401). پیش بینی سطح ایستابی آب زیرزمینی آبخوان چهاردولی در شهرستان قروه با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان. یافته‌های نوین زمین‌شناسی کاربردی، 16 (31):163-175.‎
عیسی زاده، م،. بی آزار، س.م،. اشرف زاده، ا،. و خانجانی، ر. (1398). تخمین پارامترهای کیفی آبخوان دشت گیلان با استفاده از آزمون گاما ومدله­ای ماشین بردار پشتیبان و شبکه عصبی مصنوعی. فصلنامه علوم و تکنولوژی محیط زیست، 21(2): .1-21.
قوردویی میلان، س.، آریاآذر، ن.، جوادی، س.، و رازدار، ب. (1399). شبیه­سازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره، مجله هیدروژیولوژی،5(1): 118-133.
لشکری پور، غ.، کولیوند، د.، ساکی، م.، و شکیبی نیا، م. (2003). بررسی اجمالی آب­های زیرزمینی دشت نهاوند. بیست و یکمین گردهمایی علوم زمین.‎ 2-15.
مهندسین مشاور آب و توسعه پایدار (1389). مطالعات بهنگام‌سازی بیلان منابع آب محدوده‌های مطالعاتی حوزه آبریز رودخانه کرخه، گزارش بیلان منابع‌آب، پیوست شماره 33: گزارش بیلان آب محدوده مطالعاتی نهاوند. 58 صفحه.
نوذری، ح.، توکلی، ف . (1397). پیش‌بینی جریان با استفاده از مدل ماشین بردار پشتیبان بر مبنای سری های زمانی دبی و بارش در ایستگاه‌های بالادست (مطالعه موردی: ایستگاه هیدرومتری تله زنگ). مدل سازی در مهندسی. 16 (54): 95-104.
Adda, A., Hanini, S., Bezari, S., Laidi, M., & Abbas, M. (2022). Modeling and optimization of small-scale NF/RO seawater desalination using the artificial neural network (ANN). Environmental Engineering Research, 27(2).
ASCE Task Committee. (2000). The ASCE Task Committee on application of artificial neural networks in hydrology. J. Hydrol. Eng., American Society of Civil Engineers, 5(2), 115-136.
Asefa, T., Kemblowski, M., Urroz, G., & McKee, M. (2005). Support vector machines (SVMs) for monitoring network design. Groundwater, 43(3), 413-422.
Asefa, T., Kemblowski, M., McKee, M., & Khalil, A. (2006). Multi-time scale stream flow predictions: The support vector machines approach. Journal of hydrology, 318(1-4), 7-16.
Coppola Jr, E., Szidarovszky, F., Poulton, M., & Charles, E. (2003). Artificial neural network approach for predicting transient water levels in a multilayered groundwater system under variable state, pumping, and climate conditions. Journal of Hydrologic Engineering, 8(6), 348-360.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20, 273-297.
Hamidi, O., Poorolajal, J., Sadeghifar, M., Abbasi, H., Maryanaji, Z., Faridi, H. R., & Tapak, L. (2015). A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theoretical and applied climatology, 119, 723-731.
Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8), 2554-2558.
Michalec, B., & Cupak, A. (2022). Assessment of quality of water and sediments in small reservoirs in Southern Poland-A case study. Environmental Engineering Research, 27(2).
Mirarabi, A., Nassery, H. R., Nakhaei, M., Adamowski, J., Akbarzadeh, A. H., & Alijani, F. (2019). Evaluation of data-driven models (SVR and ANN) for groundwater-level prediction in confined and unconfined systems. Environmental Earth Sciences, 78, 1-15.
Shiri, J., Kisi, O., Yoon, H., Lee, K. K., & Nazemi, A. H. (2013). Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques. Computers & Geosciences, 56, 32-44.
Suykens, J. A. K., Van Gestel, T., De Brabanter, J., De Moor, B., & Vandewalle, J. (2002). Least squares support vector machines, World Scientific Publishing, Singapore.
Todd, D.K. and Mays, L.W., (2004). Groundwater hydrology. John Wiley & Sons.
Yoon, H., Jun, S. C., Hyun, Y., Bae, G. O., & Lee, K. K. (2011). A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of hydrology, 396(1-2), 128-138.