مقایسه عملکرد مدل های LS-SVR ،ANFIS ،MLP و RBF در مدل سازی سطح آب زیرزمینی (مطالعه موردی بخش مرکزی دشت مشهد)

افت سطح آب زیرزمینی در دشت مشهد، عمدتا ناشی از عوامل انسانی، چالشی جدی در مدیریت پایدار منابع آب ایجاد کرده است. وابستگی شدید به این منابع، پیش بینی دقیق تغییرات را برای تصمیم گیری های مدیریتی ضروری می سازد. این پژوهش با بهره گیری از روش های یادگیری ماشین، تغییرات سطح آب در بخش مرکزی دشت را شبیه سازی و پیش بینی می کند. در این پژوهش ابتدا با استفاده از تابع خودهمبستگی جزئی(PACF) و رگرسیون لاسو فراوانی گرا (Frequentist Lasso Regression) متغیرهای ورودی مهم و وقفه های زمانی بهینه شناسایی شدند. سپس، عملکرد مدل های حداقل مربعات میانگین رگرسیون بردار پشتیبان (LS-SVR)، استنتاج عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عصبی تابع پایه شعاعی (RBF) در پیش بینی ماهانه نوسانات سطح آب زیرزمینی طی ۳۰ سال (۱۳۷۰-۱۴۰۰) ارزیابی گردید. نتایج نشان داد که هر چهار مدل با دقت قابل قبول سطح آب زیرزمینی را شبیه سازی می کنند. مدل RBF با "R" ^"۲" ، MSE، NSE و RMSE به ترتیب ۰۰/۱، ۰۰/۰، ۰۰/۱ و ۰۰۹/۰ عملکرد برتری نسبت به سایر مدل ها دارد. یافته های این پژوهش پتانسیل بالای مدل های داده محور در شبیه سازی فرآیندهای هیدرولوژیکی را تایید کرد و می تواند مبنای توسعه ابزارهای هوشمند برای مدیریت منابع آب زیرزمینی در دشت مشهد و مناطق مشابه، از جمله تخصیص منابع و طراحی سامانه های هشداردهنده، باشد.