ارزیابی مدل ترکیبی ANFIS - GWO در پیش بینی تراز آب زیرزمینی دشت زرندیه ساوه
محل انتشار: فصلنامه علوم آب و خاک، دوره: 26، شماره: 4
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 117
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- 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
چکیده مقاله:
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.
کلیدواژه ها:
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
نویسندگان
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 مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :