پیش‌بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه و بهینه‌سازی با ازدحام ذرات کوانتومی

امروزه با توجه به اهمیت بالای مدیریت پایدار آب­های زیرزمینی، برای بررسی و ارزیابی منابع آب از مدل‌سازی و پیش‌بینی تراز آب­‌های زیرزمینی (GWL) استفاده می‌­شود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیش­‌بینی و بهینه‌­کردن وزن­‌های ورودی (وزن­‌های بین لایه ورودی و پنهان) مدل­‌ها، از الگوریتم بهینه‌­ساز ازدحام ذرات کوانتومی (QPSO) استفاده شده است. همچنین، در این مطالعه، از داده‌­های تراز آب زیرزمینی چاه‌های مشاهده‌ای (GWL)، میزان بارش (P) و همچنین، دمای متوسط (T) مربوط به حوضه دشت ارومیه با سری زمانی 36 ساله (1360–1396) که در مقیاس ماهانه جمع‌آوری شده، استفاده شده و به­‌منظور بررسی عملکرد مدل‌ها از سه معیار ضریب همبستگی (R)، جذر میانگین مربع خطا (RMSE)  و میانگین قدر مطلق خطا (MAE) استفاده شده است. در این راستا، از 80 درصد داده‌ها (مهر 1360 تا شهریور 1389) به‌­منظور آموزش مدل‌­ها و از 20 درصد داده‌ها (مهر 1389 تا شهریور 1396) به‌­منظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه-بهینه‌­ساز ازدحام ذرات کوانتومی (W-ELM-QPSO) با داشتن ضریب همبستگی (R) به‌­ترتیب 0.991، 0.983 و 0.975 برای دوره‌­های یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدل‌ها داشته، همچنین، این مدل علاوه‌­بر قدرت پیش­‌بینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدل‌های دیگر از سرعت بالایی برخوردار است.

کلیدواژه های پیش‌بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه و بهینه‌سازی با ازدحام ذرات کوانتومی:

شبکه عصبی مصنوعی ، Elm ، GWL ، QPSO ، WT