ارزیابی کارایی مدل مبتنی بر ترکیب برنامه ریزی ژنتیک و الگوریتم ژنتیک (GEP) و شبکه عصبی یادگیری فوق سریع وزن دار (W-ELM) برای شبیه سازی نوسانات سطح آب زیرزمینی

این تحقیق به شبیه سازی تغییرات سطح آب زیرزمینی در دشت کرمانشاه با بهره گیری از دو الگوریتم پیشرفته یادگیری ماشین شامل W-ELM و GEP پرداخته است. نوسانات سطح آب زیرزمینی، به عنوان یک چالش کلیدی در مدیریت منابع آب، تحت تاثیر عواملی چون بارش، دما و میزان برداشت آب قرار دارد. هدف از این مطالعه، ارزیابی و مقایسه عملکرد مدل های مختلف یادگیری ماشین در شبیه سازی و پیش بینی این نوسانات در شرایط متغیر است. داده های به کاررفته در این تحقیق شامل اطلاعات ماهانه سطح آب زیرزمینی، میزان بارش، تبخیر و دما از سال ۲۰۰۲ تا ۲۰۲۰ می باشد. جهت افزایش دقت مدل ها، داده ها با استفاده از روش نرمال سازی Min-Max پردازش شدند. نتایج ارزیابی مدل ها با استفاده از شاخص های مختلف عملکرد مانند RMSE، R&sup۲; و NSE نشان می دهد که مدل W-ELM به طور موثری عملکرد بهتری در هر دو مرحله آموزش و تست نسبت به مدل GEP داشته است. به ویژه، در مرحله آزمون، مدل W-ELM توانست با کسب مقادیر R&sup۲;=۰.۹۹۸۹ و RMSE=۰.۰۹۳۴، بالاترین دقت را ارائه دهد. همچنین، تحلیل حساسیت مدل ها نشان داد که بیشترین تاثیر را متغیر تاخیری سطح آب زیرزمینی (GWₜ₋₁) بر عملکرد مدل ها داشته است. این تحقیق نشان می دهد که مدل های یادگیری ماشین، به ویژه مدل W-ELM، می توانند ابزارهای موثری برای پیش بینی نوسانات سطح آب زیرزمینی و مدیریت بهینه منابع آب در نواحی مختلف به شمار روند.

کلیدواژه ها:

سطح آب زیرزمینی ، یادگیری ماشین ، شبکه عصبی GEP ، W-ELM