چکیده:
آبهای زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بودهاند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیشبینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشهبندی به ترتیب برای پیشپردازش زمانی و مکانی استفاده گردید. روش مدلسازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیشبینی یک ماه آینده میباشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحتسنجی را در مرحلهی مدلسازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدلسازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحتسنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.
خلاصه ماشینی:
روش مدل سازی مورد استفاده در این تحقیق ، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش بینی یک ماه آینده میباشد.
, انجام یافته در این زمینه اشاره میشود: محققانی نظیر بهزاد و همکاران ١ (٢٠١٠: ٤١٠)، 4 یون و همکاران ٢ (٢٠١١: ١٤٩)، ژائو و همکاران ٣(٢٠١٢: ١٠٧٥)، شیری و همکاران (٢٠١٣: ٣٨)، ابراهیمی و رجایی ٥ (٢٠١٧: ١٨٥) و در ایران نیز، بازرگان لاری و همکاران (١٣٨٩: ٦٠)، کلته و غلامی (١٣٩١: ٣٧)، نعمت الهی و همکاران (١٣٩٢: ٦٧)، رمضانی و ذونعمت کرمانی (١٣٩٤: ١٠٠) نتایج حاصل نشان دهنده ی کارایی بهتر ماشین های بردار پشتیبان در پیش بینی سطح آب زیرزمینی بوده است .
, 5- Ebrahimi and Rajaee 6- Wang and Ding 7- Adamowski and Chan 8- Satyajirao and Krishna 9- Zhao and Gao 10- Maheswaran and Khosa (٢٠١٣: ٤٢٧)، موسوی و همکاران (٢٠١٤: ١٧٩٠)، سوریانا و همکاران ١ (٢٠١٤: ٣٢٧)، نخعی و صابر نصر(١٣٩١: ٥٠) و رجایی و زینیوند (٥٥:١٣٩٣) به بررسی و مقایسه ی مدل شبکه عصبی و شبکه عصبی – موجکی در پیش بینی نوسانات سطح آب زیرزمینی پرداخته اند.
در این راستا روش خوشه بندی نقشه های خود سازمانده ابزاری برای پیش پردازش مکانی میباشد که باعث کاهش حجم داده های ورودی و افزایش دقت مدل و همچنین دسته بندی داده ها، ایستگاه ها و نواحی به گروه های همگن و بهینه سازی ساختار مدل با انتخاب داده های مؤثر و کارآمد میشود (نورانی و همکاران ، ٢٠١٥: ٢٦٠).