پیش بینی تراز آب زیرزمینی در آبخوان گلپایگان با استفاده از ترکیب ANFIS و PSO

پیش بینی تراز آب زیرزمینی اولویتی ضروری برای برنامه ریزی و مدیریت منابع آب زیرزمینی می باشد. هدف از تحقیق حاضر مقایسه دقت سیستم استنتاج تطبیقی عصبی- فازی[۱] (ANFIS) با مدل ترکیبی ANFIS آموزش دیده توسط الگوریتم بهینه سازی ازدحام ذرات[۲] (ANFIS+PSO) در پیش بینی ماهانه تراز آب زیرزمینی آبخوان گلپایگان طی سال های ۹۷-۱۳۸۱ می باشد. بدین منظور از داده های ماهانه بارندگی، دما، تبخیر از تشت در ایستگاه­های هواشناسی منتخب، حجم تخلیه از چاه­های بهره برداری و تراز آب زیرزمینی چاه های مشاهده ای استفاده شده است. پس از انجام تحلیل مکانی و زمانی، چهار چاه مشاهده ای با دو ساختار داده ورودی (S۱ و S۲) برای پیش بینی تراز آب زیرزمینی انتخاب گردید. نتایج آزمون های روند و همگنی حاکی از معنی داری ۹۹ درصدی تغییرات تراز آب زیرزمینی در چاه های مشاهده ای منتخب ۴، ۸، ۱۹ و ۲۰ با افت ناگهانی ۲۲، ۱۷، ۲۷ و ۲ متر به ترتیب در قبل و بعد از ماه های خرداد، شهریور، تیر و مرداد ۱۳۸۹ می باشد. بیشترین و کمترین دقت پیش بینی تراز آب زیرزمینی مربوط به چاه های مشاهده ای ۲۰ و ۴ با مقادیر ریشه میانگین مربعات خطا[۳] (RMSE) برابر ۳۷/۲ و ۲۱/۰ متر به ترتیب مربوط به مدل های ANFIS_S۱ و ANFIS+PSO_S۲ می باشد. نتایج کلی تحقیق حاکی از تاثیر بیشتر انتخاب تاخیرهای مناسب داده های ورودی (ساختار مدل) نسبت به ترکیب دو مدل (ANFIS و PSO) در افزایش دقت پیش بینی تراز آب زیرزمینی دارد، به طوری که ساختار مطلوب داده های ورودی و ترکیب الگوریتم بهینه ساز با مدل شبیه ساز به ترتیب  ۴۴ و ۲۵ درصد دقت پیش بینی تراز آب زیرزمینی را افزایش داده اند. [۱] Adaptive Neuro-Fuzzy Inference System (ANFIS) [۲] Particle Swarm Optimization (PSO) [۳] Root Mean Squared Error (RMSE)

کلیدواژه ها:

Agglomerative Hierarchical Clustering ، Groundwater level prediction ، Neuro-Fuzzy Adaptive Inference System ، Particle Swarm Optimization Algorithm ، Spatial and Temporal Analysis