پیش بینی تراز آب زیرزمینی در آبخوان گلپایگان با استفاده از ترکیب ANFIS و PSO
محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 52، شماره: 3
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 144
فایل این مقاله در 12 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_IJSWR-52-3_010
تاریخ نمایه سازی: 31 اردیبهشت 1402
چکیده مقاله:
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
نویسندگان
صدیقه سالاری
Department of Water Science and Engineering, Faculty of Agriculture and Environment, Arak University, Arak, Iran.
مه نوش مقدسی
Department of Water Science and Engineering, Faculty of Agriculture and Environment, Arak University, Arak, Iran
مهدی محمدی قلعه نی
Department of Water Science and Engineering, Faculty of Agriculture and Environment, Arak University, Arak, Iran
محمود اکبری
Department of Water Science and Engineering, Faculty of Agriculture and Environment, Arak University, Arak, Iran
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 :