استادیار، بخش مهندسی آب، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، ایران
چکیده: (250 مشاهده)
ازآنجاییکه افزایش عمق آب زیرزمینی و تشدید آن می‌تواند بازگو کننده محدودیت‌های جدی در بهره‌برداری از این منابع باشد، پیش‌بینی تغییرات این پارامتر، قطعاً نقش مهمی در مدیریت این منابع و جلوگیری از وارد شدن آسیب‌های احتمالی به آن دارد. به این منظور استفاده از روش‌های هوشمند مؤکداً توسط محققین توصیه شده است. در این تحقیق از روش‌های شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنتاج فازی(FIS) ، سیستم استنتاج فازی–عصبی تطبیقی(ANFIS) و روش ترکیبی سیستم استنتاج فازی–عصبی و روش بهینه‌سازی ازدحام ذرات (ANFIS-PSO) جهت شبیه‌سازی نوسانات عمق آب زیرزمینی در منطقه حاجی‌آباد داراب در محدوده زمانی اسفند 1373 لغایت مهرماه 1401 در مقیاس ماهیانه، با نسبت 75 به 25 به‌ترتیب برای مرحله آموزش و آزمون استفاده شـده است. جهت سنجش دقت مـدل‌ها از شاخـص‌های جـذر میانگین مربعات خطا(RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین قدر مطلق خطا (MAE)استفاده شد. بهترین نتایج در مرحله آموزش، به‌ترتیب مربوط به مدل‌های ANFIS-PSO، ANFISو MLPاست. هم‌زمان با آموزش مدل‌های مذکور با تأخیرات زمانی متفاوت، مرحله آزمون مدل‌ها نیز به اجرا در آمد و نهایتاً بهترین نتایج در این مرحله به‌ترتیب برای مدل شبکه عصبی با تأخیر زمانی ]5 3 1[، مدل ANFIS-PSO با تأخیر زمانی ]3 2 1[ و مـدل شبکه عصبی با تأخیر زمانی ]2 1[به‌دست آمدند. شاخص‌های دقت در مرحله آزمون برای بهترین مدل‌ها، به‌صورت ذکر شده، به‌ترتیب (1871/0، 1865/0، 1857/0) برای RMSE، (7402/0، 6715/0، 6684/0) برای MAPEو (1326/0، 1238/0، 1198/0) برای MAEبه‌دست آمد. این مقادیر نشان‌دهنده آن است که هر سه مدل خطایی کم‌تر از 20 سانتی‌متر، درصد خطایی کم‌تر از 75/0 درصد و خطای مطلقی کم‌تر از 14 سانتی‌متر داشته‌اند که حاکی از دقت قابل قبول این مدل‌هاست. هم‌چنین ضریب تعیین به‌دست آمده از رابطه رگرسیونی حاصل از مقادیر محاسبه شده و اندازه‌گیری شده عمق آب زیرزمینی در مرحله آزمون برای هر سه مدل در حدود 82/0 است، که نشان از ارتباط خطی نسبتاً قوی بین این دو پارامتر است.
Sedghamiz A, Foroughi F. Prediction of groundwater level fluctuations using fuzzy inference system, Adaptive Neuro – Fuzzy Inference System and neural network. Journal of Rainwater Catchment Systems 2023; 11 (4) : 3 URL: http://jircsa.ir/article-1-511-fa.html
صدق آمیز عباس، فروغی فرید. پیش بینی نوسانات سطح آب زیرزمینی با استفاده از مدل‌های استنتاج فازی، استنتاج فازی عصبی و شبکه عصبی. سامانه‌هاي سطوح آبگير باران. 1402; 11 (4) :31-50
تکمیل و ارسال فرم تعارض منافع نویسنده گرامی ، پس از ارسال مقاله ، جهت دریافت فرم، لطفا بر روی کلمه فرم تعارض منافع کلیک نمایید و پس از تکمیل، در فایل های پیوست مقاله قرار دهید.
