پیش بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه و بهینه سازی با ازدحام ذرات کوانتومی

امروزه با توجه به اهمیت بالای مدیریت پایدار آب های زیرزمینی، برای بررسی و ارزیابی منابع آب از مدل سازی و پیش بینی تراز آب های زیرزمینی (GWL) استفاده می شود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیش بینی و بهینه کردن وزن های ورودی (وزن های بین لایه ورودی و پنهان) مدل ها، از الگوریتم بهینه ساز ازدحام ذرات کوانتومی (QPSO) استفاده شده است. همچنین، در این مطالعه، از داده های تراز آب زیرزمینی چاه های مشاهده ای (GWL)، میزان بارش (P) و همچنین، دمای متوسط (T) مربوط به حوضه دشت ارومیه با سری زمانی 36 ساله (1360-1396) که در مقیاس ماهانه جمع آوری شده، استفاده شده و به منظور بررسی عملکرد مدل ها از سه معیار ضریب همبستگی (R)، جذر میانگین مربع خطا (RMSE)  و میانگین قدر مطلق خطا (MAE) استفاده شده است. در این راستا، از 80 درصد داده ها (مهر 1360 تا شهریور 1389) به منظور آموزش مدل ها و از 20 درصد داده ها (مهر 1389 تا شهریور 1396) به منظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه-بهینه ساز ازدحام ذرات کوانتومی (W-ELM-QPSO) با داشتن ضریب همبستگی (R) به ترتیب 0.991، 0.983 و 0.975 برای دوره های یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدل ها داشته، همچنین، این مدل علاوه بر قدرت پیش بینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدل های دیگر از سرعت بالایی برخوردار است.