پیش بینی نوسانات سطح آب زیرزمینی با استفاده از مدل های استنتاج فازی، استنتاج فازی عصبی و شبکه عصبی

از آن جایی که افزایش عمق آب زیرزمینی و تشدید آن می تواند بازگو کننده محدودیت های جدی در بهره برداری از این منابع باشد، پیش بینی تغییرات این پارامتر، قطعا نقش مهمی در مدیریت این منابع و جلوگیری از وارد شدن آسیب های احتمالی به آن دارد. به این منظور استفاده از روش های هوشمند موکدا توسط محققین توصیه شده است. در این تحقیق از روش های شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنتاج فازی(FIS) ، سیستم استنتاج فازی–عصبی تطبیقی(ANFIS)  و روش ترکیبی سیستم استنتاج فازی–عصبی و روش بهینه سازی ازدحام ذرات (ANFIS-PSO) جهت شبیه سازی نوسانات عمق آب زیرزمینی در منطقه حاجی آباد داراب در محدوده زمانی اسفند ۱۳۷۳ لغایت مهرماه ۱۴۰۱ در مقیاس ماهیانه، با نسبت ۷۵ به ۲۵ به ترتیب برای مرحله آموزش و آزمون استفاده شده است. جهت سنجش دقت مدل ها از شاخص های جذر میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین قدر مطلق خطا (MAE) استفاده شد. بهترین نتایج در مرحله آموزش، به ترتیب مربوط به مدل های ANFIS-PSO، ANFIS و MLP است. هم زمان با آموزش مدل های مذکور با تاخیرات زمانی متفاوت، مرحله آزمون مدل ها نیز به اجرا در آمد و نهایتا بهترین نتایج در این مرحله به ترتیب برای مدل شبکه عصبی با تاخیر زمانی ]۵   ۳   ۱[، مدل ANFIS-PSO با تاخیر زمانی ]۳   ۲   ۱[ و مدل شبکه عصبی با تاخیر زمانی ]۲  ۱[ به دست آمدند. شاخص های دقت در مرحله آزمون برای بهترین مدل ها، به صورت ذکر شده، به ترتیب (۱۸۷۱/۰، ۱۸۶۵/۰، ۱۸۵۷/۰) برای RMSE، (۷۴۰۲/۰، ۶۷۱۵/۰، ۶۶۸۴/۰) برای MAPE و (۱۳۲۶/۰، ۱۲۳۸/۰، ۱۱۹۸/۰) برای MAE به دست آمد. این مقادیر نشان دهنده آن است که هر سه مدل خطایی کم تر از ۲۰ سانتی متر، درصد خطایی کم تر از ۷۵/۰ درصد و خطای مطلقی کم تر از ۱۴ سانتی متر داشته اند که حاکی از دقت قابل قبول این مدل هاست. هم چنین ضریب تعیین به دست آمده از رابطه رگرسیونی حاصل از مقادیر محاسبه شده و اندازه گیری شده عمق آب زیرزمینی در مرحله آزمون برای هر سه مدل در حدود ۸۲/۰ است، که نشان از ارتباط خطی نسبتا قوی بین این دو پارامتر است.

پیش بینی نوسانات سطح آب زیرزمینی با استفاده از مدل های استنتاج فازی، استنتاج فازی عصبی و شبکه عصبی Keywords:

Error index , Fuzzy inference system , Groundwater , Prediction multilayer perceptron neural network , آب زیرزمینی , پیش بینی , مدل استنتاج فازی , شبکه عصبی پرسپترون چندلایه , اندیس خطا