ارزیابی مدل ترکیبی ANFIS - GWO در پیش بینی تراز آب زیرزمینی دشت زرندیه ساوه
Publish place: Journal of Water and Soil Science، Vol: 26، Issue: 4
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 118
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-26-4_018
تاریخ نمایه سازی: 22 اسفند 1401
Abstract:
در این تحقیق تدقیق شبکه عصبی فازی (ANFIS) در ترکیب با الگوریتم گرگ خاکستری (GWO-ANFIS) برای اولین بار در پیش بینی تراز آب زیرزمینی با کاربرد داده های چاپ نشده مشاهده ای ۱۳۹۷-۱۳۷۷ از آبخوان زرندیه ارزیابی شد. سه چاه مشاهده ای 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 داده های ورودی، تراز آب زیرزمینی ماه قبل، بارش، دما و بهره برداری از آب زیرزمینی به عنوان سناریو بهینه مدل ترکیبی انتخاب شد. برای سناریو D، چاه مشاهده ای اول پارامترهای MAPE، RMSE، NASH به ترتیب مساوی ۰/۲۹، ۰/۴۷ متر و ۰/۹۹ به دست آمد. برای چاه مشاهده ای دوم سناریوی C با ترکیب داده های ورودی، تراز آب زیرزمینی ماه قبل، بارش و بهره برداری از آب زیرزمینی به عنوان سناریو بهینه انتخاب شد و برای همان پارامترها مقادیر ۰/۲۰ ، ۰/۲۶ متر و ۰/۹۹ به دست آمد. برای چاه سوم سناریوی A با داده های ورودی، تراز آب زیرزمینی ماه قبل به عنوان سناریو بهینه مدل ANFIS-GWO انتخاب شد و مقادیر همان پارامترها برای این سناریو برابر ۰/۲۹، ۰/۴۱ متر و ۰/۹۹ به دست آمد. بر اساس نتایج، الگوریتم گرگ خاکستری در آموزش مدل ANFIS توانست میانگین خطای پیش بینی را به مقدار ۰۳/ ۰ (RMSE) و ۰/۰۲ (MAPE) متر کاهش و مقدار میانگین NASH را به میزان ۰/۰۱ افزایش و سبب افزایش دقت پیش بینی ها شود.
Keywords:
Groundwater , Sustainability of water resources , Fuzzy-adaptive neural inference system , Simulation , Intelligent model , آب زیرزمینی , پایداری منابع آب , سیستم استنتاج فازی– عصبی تطبیقی , شبیه سازی , مدل هوشمند
Authors
ساناز بیگدلی
University of Tehran
کیومرث ابراهیمی
University of Tehran
عبدالحسین هورفر
University of Tehran
علی اکبر داودی راد
Agricultural Research, Education and Extension Organization (AREEO),Arak
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :