پیش بینی نوسانات تراز آب زیرزمینی دشت سنقر با استفاده از روشهای یادگیری ماشین
مدلهای عددی بر اساس آمار و اطلاعات گسترده و بر اساس نقشه ها و اندازه گیری های متنوع زمینی مانند آزمایشات پمپاژ، ژئوفیزیک، نقشه های خاک و کاربری اراضی، داده های توپوگرافی و شیب، شرایط مرزی مختلف و بهره گیری از معادلات پیچیده قادر به تخمین تراز آب زیرزمینی در هر منطقه ای هستند. در تحقیق حاضر ابتدا با استفاده از آمار و اطلاعات و نقشه های موجود نوسانات تراز آب زیرزمینی دشت سنقر توسط مدل GMS شبیه سازی شد و دقت مدل در دو مرحله واسنجی و صحت سنجی مورد ارزیابی قرار گرفت. سپس به دلیل نیاز به حجم داده بسیار کمتر در روش های یادگیری ماشین، روش های هیبرید GWO-ANN و PSO-ANN و مدل های LSTM وSAELM مورد استفاده قرار گرفت. نتایج نشان داد خروجی مدل SAELM دارای بهترین برازش با داده های مشاهداتی با ضریب همبستگی برابر با 97/0 بود، همچنین دارای بهترین و نزدیک ترین پراکندگی نقاط در اطراف خط 45 درجه بود و از این نظر دقیق ترین مدل محسوب می شود. لذا برای پیش بینی تراز آب زیرزمینی در کل دشت بجای استفاده از مدل پیچیده GMS با حجم داده های بسیار زیاد و همچنین فرآیند واسنجی و صحت سنجی بسیار وقت گیر در آن، می توان با اطمینان از مدل SAELM استفاده کرد. این رویکرد کمک زیادی به محققین بخش آب زیرزمینی می کند تا بدون استفاده از مدلهای عددی با ساختار پیچیده و وقت گیر با استفاده از هوش مصنوعی با دقت بالا تغییرات تراز آب زیرزمینی را در سالهای خشک و تر پیش بینی نمایند.
تراز آب زیرزمینی ، GMS ، مدل های هیبرید ، LSTM ، SAELM
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.