نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی دستورانی ¹
• امیر خیاط ²
• زهرا آخوندی ³

¹ دانشیار گروه علوم و مهندسی آب دانشگاه بیرجند- بیرجند - ایران

² دانشجوی دکتری آبیاری و زهکشی- گروه علوم و مهندسی آب- دانشگاه بیرجند- بیرجند- ایران

³ دانش آموخته کارشناسی ارشد سازه های آبی- دانشگاه زابل- بیرجند- ایران

چکیده

در سال‌های اخیر باتوجه‌به مشکل کمبود منابع آبی، مسئله استفاده و مدیریت بهینه این منابع اهمیت خاصی پیدا کرده است. به‌منظور آگاهی از وضعیت این منابع و مدیریت بهینه آنها، لازم است پیش‌بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. امروزه مدل-های مختلفی در پیش‌بینی نوسانات سطح آب زیرزمینی ارائه شده که می‌توانند به استفادة پایدار از آب‌های زیرزمینی به‌منظور تأمین نیازهای شهری، کشاورزی و صنعتی کمک کنند. ازاین‌رو توجه خاصی به مدل‌های هوشمند شده است که می‌توان به مدل‌های سری زمانی، آنالیز موجک، شبکه‌های عصبی مصنوعی، مدل‌های ماشین بردار پشتیبان و غیره اشاره نمود. در این پژوهش از مدل تلفیقی موجک - عصبی فازی برای پیش‌بینی سطح آب زیرزمینی در دشت بیرجند بهره گرفته شد. در نهایت نتایج به‌دست‌آمده با نتایج مدل موجک و شبکه عصبی فازی مقایسه گردید. داده‌های مورد استفاده در این تحقیق شامل بارندگی، تبخیر، حداکثر درجه‌حرارت، متوسط درجه‌حرارت، حداقل رطوبت و تراز سطح آب زیرزمینی برای تعداد 16 پیزومتر به مدت 18 سال آماری است که به‌صورت ماهیانه اندازه-گیری شده‌اند. نتایج به‌دست‌آمده نشان داد که مدل ترکیبی موجک - عصبی فازی با توجه میزان ضریب میانگین مربعات خطا 19/0 RMSE= و ضریب نش ساتکلیف 95/0 NS= نسبت به سایر مدل‌ها از دقت بالاتری در پیش‌بینی سطح آب زیرزمینی برخوردار است. مدل موجک عصبی فازی به دلیل ترکیب و ادغام ویژگی‌های مفید تبدیل موجک، شبکه‌های عصبی و سیستم‌های فازی، نه‌تنها دقت پیش‌بینی را افزایش می‌دهد بلکه می‌تواند نگرش جامع‌تری به داده‌ها دهد.

کلیدواژه‌ها

• آنالیز موجک
• تراز آب زیرزمینی
• دشت بیرجند
• شبکه عصبی فازی
• مدیریت منابع آب

موضوعات

• آبخوان وقنات

عنوان مقاله [English]

Evaluation of the Accuracy of Wavelet-Neuro-Fuzzy, Neuro-Fuzzy, and Wavelet Hybrid Models in Groundwater Level Prediction (Case Study: Birjand Plain)

نویسندگان [English]

• Mehdi dastuorani ¹
• amir khayat ²
• zahra akhondi ³

¹ Associate Professor, Department of Water Science and Engineering, University of Birjand, Birjand - Iran

² PhD student in Irrigation and Drainage - Department of Water Science and Engineering - University of Birjand - Birjand - Iran

³ Master's degree in Hydraulic Structures - Zabol University - Birjand - Iran

چکیده [English]

In recent years, due to the problem of water scarcity, the issue of optimal use and management of these resources has become particularly important. In order to be aware of the status of these resources and their optimal management, it is necessary to accurately predict groundwater level fluctuations. Today, various models have been presented for predicting groundwater level fluctuations, which can help in the sustainable use of groundwater to meet urban, agricultural, and industrial needs. Therefore, special attention has been paid to intelligent models, which include time series models, wavelet analysis, artificial neural networks, support vector machine models, etc. In this research, a Wavelet-Neuro-Fuzzy hybrid model was used to predict groundwater levels in the Birjand plain. Finally, the results obtained were compared with the results of the wavelet model and the neuro-fuzzy network. The data used in this research includes rainfall, evaporation, maximum temperature, average temperature, minimum humidity, and groundwater level elevation for 16 piezometers over a statistical period of 18 years, which were measured monthly. The results showed that the Wavelet-Neuro-Fuzzy hybrid model, with an Root Mean Square Error of RMSE= 0.19 and a Nash-Sutcliffe efficiency coefficient of NS= 0.95, has higher accuracy in predicting groundwater levels compared to other models. The Wavelet-Neuro-Fuzzy model, due to the combination and integration of the useful features of wavelet transform, neural networks, and fuzzy systems, not only increases the accuracy of prediction but can also provide a more comprehensive view of the data.

کلیدواژه‌ها [English]

• Wavelet analysis
• groundwater level
• Birjand Plain
• fuzzy neural network
• water resources management