مدل سازی هیدرولیکی منابع آب با استفاده از تکنیک های یادگیری

تحلیل کمی و کیفی منابع آب امروزه به یکی از موضوعات مهم در تحقیقات منابع آب تبدیل شده است. در این تحقیق از داده­کاوی، تکنیک­های هوش مصنوعی و ریاضی برای شبیه­سازی رفتار آب و تخمین تغییرات پارامتریک آن استفاده شده است. نام مدل­های بکار گرفته شده عبارتند از: مدل ماشین یادگیری نیرومند خودتطبیق SAELM، حداقل مربعات ماشین بردار پشتیبان LSSVM، مدل شبکه­های عصبی نروفازی ANFIS و مدل آماری رگرسیون خطی چندگانه MLR که برای تخمین پارامترهای هیدروژئولوژیکی استفاده شده است. همچنین برای ارزیابی عملکرد مدل­ها، در قالب ۵ رویکرد دقت مدل­ها بررسی گردید. نتایج تحقیق نشان داد که براساس نمودارهای شبیه­سازی و همبستگی مدل SAELM برترین مدل بود. براساس شاخص­های ارزیابی دقت، مدل SAELM با شاخص­های RMSE و MAPE و R به ترتیب برابر با ۱۵۴۵/۰، ۰۰۷۰/۰ و ۹۹۷۹/۰ دارای بالاترین دقت در تخمین پارامترهای هیدروژئولوژیکی بود. بر اساس تحلیل عدم قطعیت ویلسون (Wilson Score method) عملکرد مدل برتر (SAELM) دست پایین (Underestimated) برآورد گردید. همچنین براساس نمودارهای نسبت اختلاف خطا، دقیق­ترین نتایج مربوط به مدل SAELM بود. در پایان با استفاده از نمودارهای توزیع خطا کمترین میزان خطا به مدل SAELM اختصاص یافت.

Keywords:

ماشین یادگیری نیرومند خودتطبیق , ماشین یادگیری حداقل مربعات بردار پشتیبان , شبکه های عصبی نروفازی , رگرسیون خطی چندگانه , تحلیل عدم قطعیت