Abstract:
در این پژوهش به منظور شبیه سازی سطح آب زیر زمینی دشت خرمآباد عملکرد مدلهای هیبریدی رگرسیون بردار پشتیبان-موجک، رگرسیون بردار پشتیبان خفاش، رگرسیون بردار پشتیبان- گرگ خاکستری برای چهار چاه پیزومتری سراب پرده، ناصروند، سالی و پل بابا حسین که دارای آمار همگن و فاقد دادههای مفقود بودند انجام شد. جهت مدلسازی، پارامترهای بارش (P)، دما (T) و سطح آب زیرزمینی (H) و برداشت از منابع آب (q) در مقیاس ماهانه بعنوان ورودی مدلها در طی دوره آماری 1400-1380 به کار برده شد. لازم به ذکر است جهت مدلسازی 80 درصد داده ها برای آموزش و 20 درصد باقی مانده جهت تست، بصورت تصادفی، که گستره وسیعی از انواع داده ها را پوشش دهد، انتخاب شد. معیارهای ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب نش ساتکلیف (NS) برای ارزیابی و نیز مقایسه عملکرد مدلها مورد استفاده قرار گرفت. نتایج نشان داد ساختار ترکیبی در کلیه مدلهای مورد بررسی عملکرد بهتری نسبت به سایر ساختارها ارائه میدهد. همچنین نتایج نشان داد مدل رگرسیون بردار پشتیبان موجک طبق شاخصهای ارزیابی، در چاه پیزومتری سراب پرده دارای مقادیر R=0.978، RMSE=0.221 m، MAE=0.011 m،0.985 NS= و نیز در چاه پیزومتری ناصروند دارای مقادیر R=0.981، RMSE=0.168 m، MAE=0.008 m،0.991 NS= و همچنین چاه پیزومتری سالی دارای مقادیر R=0.980، RMSE=0.186 m، MAE=0.010 m،0.986 NS= و در نهایت چاه پیزومتری پل بابا حسین دارای مقادیر R=0.985، RMSE=0.101 m، MAE=0.007 m،0.995 NS= می باشد، نسبت به سایر مدلها از توانایی مطلوبی برخوردار است.
In this research, in order to simulate the underground water level of Khorramabad plain, the performance of hybrid models of bat support vector regression, bat support vector regression, gray wolf support vector regression for four piezometric wells of Sarab Pardah, Naservand, Sally and Baba Hossein Bridge, which have homogeneous statistics. and it was done without missing data. For modeling, rainfall (P), temperature (T) and underground water level (H) and withdrawal from water resources (q) have been used in the monthly report of the models during the period of 1380-1400. It should be noted that for modeling, 80% of the data is chosen for training and the remaining 20% for testing, randomly, which covers a wide range of data types. Correlation coefficient (R), root mean square error (RMSE), mean absolute value of error (MAE) and Sutcliffe coefficient of vitality (NS) were used to evaluate and compare the performance of the models. The results showed that the combined structure provides better performance than other structures in all the investigated models. Also, the results showed that the wavelet support vector regression model based on the evaluation indicators, in the piezometric well of Sarab Pardah has R=0.978, RMSE=0.221 m, MAE=0.011 m, NS=0.985 and also in the piezometric well of Naservand has R=0.981 . 010 m, NS=0.986 and finally piezometric well, Baba Hossein Bridge has 5 R=0.98, RMSE=0.101 m, MAE=0.007 m, NS=0.995, compared to other models, it can be used to create a favorable result.
Machine summary:
در اين پژوهش به منظور شبيه سازي سطح آب زير زميني دشت خرم آباد عملکرد مدل هاي هيبريدي رگرسيون بردار پشتيبان -موجک ، رگرسيون بردار پشتيبان خفاش ، رگرسيون بردار پشتيبان - گرگ خاکستري براي چهار چاه پيزومتري سراب پرده ، ناصروند، سالي و پل بابا حسين که داراي آمار همگن و فاقد داده هاي مفقود بودند انجام شد.
در پژوهشي ، سطح آب زيرزميني دشت سلسله استان لرستان با استفاده از مدل ترکيبي رگرسيون بردار پشتيبان (SVR) با موجک و الگوريتم هاي فرا ابتکاري گرگ خاکستري (GWO) و خفاش (BA) شبيه سازي شد.
لذا هدف از اين تحقيق شبيه سازي سطح آب زيرزميني دشت خرم آباد با استفاده از مدل تلفيقي رگرسيون بردار پشتيبان -موجک ، رگرسيون بردار پشتيبان - خفاش و رگرسيون بردار پشتيبان - گرگ خاکستري بر اساس پارامترهاي اقليمي ، سطح آب زيرزميني و برداشت از آبخوان است .
بطور 1- Kisi 3- Nagy 2- Karahan خلاصه پس از انتخاب بهترين ترکيب ورودي براي هر مدل ، شبيه سازي سطح آب زيرزميني چاه هاي پيزومتري ، طبق جدول ٣ نشان مي دهد که براي هر چهار چاه پيزومتري مدل هيبريدي رگرسيون بردار پشتيبان -موجک عملکرد بهتري نسبت به ساير مدل هاي هيبريدي از جمله رگرسيون بردار پشتيبان -خفاش ، رگرسيون بردار پشتيبان - گرگ خاکستري دارد بگونه اي که طبق شاخص هاي ارزيابي مدل ها اين مدل در چاه پيزومتري سراب پرده داراي مقادير ٠٩٧٨=R،m ٠٢٢١=RMSE،m ٠٠١١=MAE، ٠.