شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از مدل های یادگیری ماشین رگرسیون خطی (SVR) و یادگیری افراطی (ELM)

هدف: هدف از این مطالعه مدل سازی سطح آب زیرزمینی در مناطق خشک و نیمه خشک، مانند دشت بهار، برای مدیریت پایدار منابع آبی با استفاده از دو مدل یادگیری ماشین پیشرفته، یعنی ماشین بردار پشتیبان (SVR) و ماشین یادگیری شدید (ELM) است. روش پژوهش: در این مطالعه، داده های ۱۰ساله شامل سطح آب زیرزمینی، بارندگی، تبخیر و دما با گام زمانی ماهانه برای توسعه این مدل ها استفاده شد. تمامی متغیرها برای جلوگیری از بایاس شدن مدل ها به بازه ۰ تا ۱ نرمال سازی شدند و شاخص های RMSE، NSE و R² برای ارزیابی عملکرد مدل ها به کار گرفته شدند. یافته ها: نتایج نشان داد که مدل ELM با تابع فعال ساز چندجمله ای در هر دو مرحله آموزش و آزمون بهترین عملکرد را ارائه داده است (آموزش:۰.۹۰۹۷ RMSE = ۰.۱۷۴۷ , NSE = ۰.۹۰۴۵ , )، (تست:۰.۹۰۹۸ RMSE = ۰.۱۶۷۵ , NSE = ۰.۹۰۴۸ , ) . در مقابل، مدل SVR با کرنل چندحمله ایی بهترین دقت را در هر دو مرحله نشان داد(آموزش:۰.۹۰۳۸ RMSE = ۰.۲۲۴۶ , NSE = ۰.۸۷۴۰ , )، (تست:۰.۹۰۴۸ RMSE = ۰.۲۲۱۸ , NSE = ۰.۸۷۵۸ , )    نتیجه گیری: یافته های این مطالعه نشان می دهد که مدل ELM می تواند به عنوان ابزاری موثر در مدیریت منابع آب زیرزمینی استفاده شود. از سوی دیگر، عملکرد ضعیف مدل SVR با کرنل خطی حاکی از عدم کارایی آن در مدل سازی روابط غیرخطی در داده های مناطق خشک و نیمه خشک است. هدف: هدف از این مطالعه مدل سازی سطح آب زیرزمینی در مناطق خشک و نیمه خشک، مانند دشت بهار، برای مدیریت پایدار منابع آبی با استفاده از دو مدل یادگیری ماشین پیشرفته، یعنی ماشین بردار پشتیبان (SVR) و ماشین یادگیری شدید (ELM) است. روش پژوهش: در این مطالعه، داده های ۱۰ساله شامل سطح آب زیرزمینی، بارندگی، تبخیر و دما با گام زمانی ماهانه برای توسعه این مدل ها استفاده شد. تمامی متغیرها برای جلوگیری از بایاس شدن مدل ها به بازه ۰ تا ۱ نرمال سازی شدند و شاخص های RMSE، NSE و R² برای ارزیابی عملکرد مدل ها به کار گرفته شدند. یافته ها: نتایج نشان داد که مدل ELM با تابع فعال ساز چندجمله ای در هر دو مرحله آموزش و آزمون بهترین عملکرد را ارائه داده است (آموزش:۰.۹۰۹۷ RMSE = ۰.۱۷۴۷ , NSE = ۰.۹۰۴۵ , )، (تست:۰.۹۰۹۸ RMSE = ۰.۱۶۷۵ , NSE = ۰.۹۰۴۸ , ) . در مقابل، مدل SVR با کرنل چندحمله ایی بهترین دقت را در هر دو مرحله نشان داد(آموزش:۰.۹۰۳۸ RMSE = ۰.۲۲۴۶ , NSE = ۰.۸۷۴۰ , )، (تست:۰.۹۰۴۸ RMSE = ۰.۲۲۱۸ , NSE = ۰.۸۷۵۸ , )    نتیجه گیری: یافته های این مطالعه نشان می دهد که مدل ELM می تواند به عنوان ابزاری موثر در مدیریت منابع آب زیرزمینی استفاده شود. از سوی دیگر، عملکرد ضعیف مدل SVR با کرنل خطی حاکی از عدم کارایی آن در مدل سازی روابط غیرخطی در داده های مناطق خشک و نیمه خشک است.

کلیدواژه ها:

سطح آب زیرزمینی ، رگرسیون با ماشین بردار پشتیبان ، مدل ماشین یادگیری افراطی ، یادگیری ماشین