استفاده از مدل هوش مصنوعي مركب نظارت شده براي پيش‌بيني سطح آب زيرزميني

Supervised Intelligent Committee Machine Method for Groundwater Level Prediction

منابع آب زيرزميني از مهم­ترين منابع تأمين آب هستند، لذا مدل­سازي آن­ها حائز اهميت مي­باشد. در اين ميان مطالعه و بررسي نوسانات سطح آب زيرزميني از نظر مطالعات مديريتي، ايجاد سازه­ هاي مهندسي، مصارف كشاورزي و حصول آب­هاي زيرزميني با كيفيت بالا از اهميت بالايي برخوردار است. عمده تقاضا براي آب شرب و كشاورزي در دشت مشگين­ شهر نيز از طريق آب زيرزميني تأمين مي­شود. در اين تحقيق چهار مدل هوش مصنوعي كه عبارتند از شبكه عصبي پيشرو، شبكه عصبي برگشتي، منطق فازي ساگنو و ماشين ­بردار پشتيبان براي پيش­ بيني سطح آب زيرزميني استفاده شدند. با توجه به نزديك بودن نتايج به دست آمده و با توجه به اين مسئله كه مدل­هاي مختلف در مراحل مختلف مدل­سازي نتايج متفاوتي ارائه دادند، انتخاب يكي از مدل­ها به عنوان مدل منتخب معقول به نظر نمي­رسيد. لذا از تركيب غير خطي اين چهار مدل كه مدل هوش مصنوعي مركب نظارت شده ناميده مي­شود، براي تركيب نتايج اين مدل­ها استفاده شد تا نتايج به دست آمده تقويت شده و از توانايي مدل­هاي مختلف به طور هم­زمان استفاده شود. به منظور ارزيابي كارايي و دقت مدل­ها در پيش­بيني، از دو معيار مختلف RMSE و R2 استفاده شد. نتايج نشان دادند كه مدل SCMAI با مقادير R2 برابر 85/0 و 90/0 به ترتيب براي پيزومترهاي شماره 1 و 2 در مرحله آموزش بهترين پيش­ بيني را نسبت به هر كدام از چهار مدل منفرد هوش مصنوعي ارائه كرده است. همچنين مدل SCMAI توانست RMSE پيش­ بيني را تا 9% درصد براي پيزومتر شماره يك و 17% درصد براي پيزومتر شماره دو كاهش دهد.

Groundwater is an important water resource supplying agricultural, domestic, and industrial needs. Hence, studying and investigation of this vital source is necessary. Over extraction of groundwater cause adverse effects, such as major water level declines [1], consequently water-quality degradation, land subsidence [2], and saltwater intrusion. Therefore, accurate prediction of groundwater level will help planer and managers of water resources and prevent the mentioned effects. The literature shows the success of using artificial intelligence (AI) models in the field of groundwater level such as artificial neural network (ANN) [3], fuzzy logic (FL) [4], and support vector machine (SVM) [5]. Although several studies are reported in the literature that use Supervised committee machine artificial intelligence (SCMAI) as a modeling technique in the field of hydrology e.g. [6] to combine the results of different models to reap the advantages of all AI. This study applied a supervised committee machine with an artificial intelligent (SCMAI) method that replaces linear combination with an artificial neural network. In the SCMAI the ANN receives individual model estimations as input variables and re-predicts the groundwater level. The Meshginshahr plain is located in Northwest Iran in the Province of Ardabil (Fig. 1). The aquifer of this plain is unconfined. The prevailing climate in this plain is semiarid-cold. The average annual temperature and rainfall are 11.66 ˚C and 292 mm respectively. Sabalan Mount with the height of 4814 meters asml, is the highest point in the study area