شبیه‌سازی تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک-ماشین آموزش نیرومند خودتطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه منابع طبیعی، دانشکده منابع طبیعی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران

2 استادیار، گروه معماری، دانشکده هنر و معماری، واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

در مطالعه حاضر، با استفاده از روش­های نوین ماشین آموزش نیرومند خود تطبیقی  (SAELM)و موجک-ماشین آموزش نیرومند خود تطبیقی  (WA-SAELM) تراز آب زیرزمینی در منطقه کبودر آهنگ واقع در استان همدان مورد بررسی قرار گرفت. در ابتدا با استفاده از تابع خود همبستگی، تاخیرهای موثر شناسایی شده و سپس با استفاده از این تاخیرها برای هر یک از روش­های SAELM و WA-SAELM، 10 الگوی متمایز ورودی توسعه داده شد. با ارزیابی نتایج مدل­های مذکور، WA-SAELM به­عنوان مدل برتر معرفی شد که تجزیه و تحلیل نتایج شبیه­سازی نشان دهنده دقت بالای مدل برتر در تخمین تراز آب زیرزمینی بود. مقادیر ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب بهره­وری نش-ساتکلیف (NSC) برای مدل برتر به­ترتیب برابر با 969/0، 358/0 و 939/0 محاسبه گردید.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Simulation of Groundwater Level Using the Hybrid Model Wavelet-Self Adaptive Extreme Learning Machine

نویسندگان [English]

  • maryam malekzadeh 1
  • saeid kardar 2
  • saeid shabanlou 3
1 Assistance Prof., Department of Environment, Faculty of enviroment, Tehran North Branch, Islamic Azad University, Tehran, Iran
2 Assistance Prof., Department of Architecture, Faculty of Art and Architecture, Science and Research Branch, Islamic Azad Univ., Tehran, Iran.
3 Associ. Prof., Dept. of Water Eng., Faculty of Agriculture, Kermanshah Branch, Islamic Azad Univ., Kermanshah, Iran.
چکیده [English]

In present study, the groundwater level of the Kabodarahang region located in Hamadan Province was simulated using novel techniques such as Self-Adaptive Extreme Learning Machine (SAELM) and Wavelet-Self-Adaptive Extreme Learning Machine (WA-SAELM). Firstly, the effective lags were detected using the autocorrelation function and then ten models were developed for each SAELM and WA-SAELM methods. By evaluating the results of the models, WA-SAELM was introduced as the superior method. The analysis of the simulation results showed that the superior model had a high accuracy in estimating the groundwater level. For the superior model, the correlation coefficient (R), Root Mean Squared Error (RMSE) and Nash-Sutcliffe efficiency coefficient (NSC) were calculated to be 0.969, 0.358 and 0.939, respectively.

کلیدواژه‌ها [English]

  • Ground water
  • Self-adaptive extreme learning machine
  • Wavelet transform
  • Wavelet-Self-Adaptive Extreme Learning Machine
  • Kabodarahang

مراجع

Cao, J., Lin, Z. and Huang, G. B. (2012) Self-adaptive evolutionary extreme learning machine. Neural Process. Lett., 36, 285–305.
Chang, F. J. and Chang, Y. T. (2006) Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in water resources, 29(1), 1-10.
Chitsazan, M., Rahmani, G. and Neyamadpour, A. (2013) Groundwater level simulation using artificial neural network: a case study from Aghili plain, urban area of Gotvand, south-west Iran. Geopersia, 3(1), 35-46.
Coppola, E. A., Rana, A. J., Poulton, M. M., Szidarovszky, F. and Uhl, V. W. (2005) A neural network model for predicting aquifer water level elevations. Groundwater, 43(2), 231-241.
Daliakopoulos, I. N., Coulibaly, P. and Tsanis, I. K. (2005) Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1), 229-240.
Dash, N. B., Panda, S. N., Remesan, R. and Sahoo, N. (2010) Hybrid neural modeling for groundwater level prediction. Neural Computing and Applications, 19(8), 1251-1263.
Ebrahimi, H. and Rajaee, T. (2017) Simulation of groundwater level variations using wavelet combined with neural network, linear regression and support vector machine. Global and Planetary Change, 148, 181-191.
Emamgholizadeh, S., Moslemi, K. and Karami, G. (2014) Prediction the groundwater level of bastam plain (Iran) by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Water resources management, 28(15), 5433-5446.
Huang, G. B., Zhu, Q. Y. and Siew, C. K. (2006) Extreme learning machine: theory and applications. Neurocomputing, 70(1), 489-501.
Huang, G. B., Zhu, Q. Y. and Siew, C. K. (2004) Extreme learning machine: A new learning scheme of feedforward neural networks. In Proc. IJCNN, Budapest, Hungary, Jul. 25–29, 2, 985–990.
Khaki, M., Yusoff, I. and Islami, N. (2015) Simulation of groundwater level through artificial intelligence system. Environmental Earth Sciences, 73(12), 8357-8367.
Kisi, O. and Shiri, J. (2012) Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research, 43(3), 286-300.
Malekzadeh, M., Kardar, S. and Shabanlou, S. (2019). Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 9, 100279.
Misiti, M., Misiti, Y., Oppenheim, G. and Poggi, J. M. (1996) Wavelet Toolbox for Use with Matlab. The Mathworks, Inc.: Natick, Massachusetts, USA.
Nayak, P. C., Rao, Y. S. and Sudheer, K. P. (2006) Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 20(1), 77-90.
Nourani, V., Mogaddam, A. A. and Nadiri, A. O. (2008) An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes: An International Journal, 22(26), 5054-5066.
Silhavy, R., Silhavy, P. and Prokopova, Z. (2017) Analysis and selection of a regression model for the use case points method using a stepwise approach. J. Syst. Softw. 125, 1-14
Storn, R. and Price, K. (1997) Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359.
 
 
تحقیقات آب و خاک ایران
دوره 51، شماره 4
تیر 1399
صفحه 975-986

فایل ها

هم رسانی

ارجاع به این مقاله

آمار