مقايسه كارايي مدل شبكه عصبي مصنوعي، سري زماني و مدل تركيبي ANN-ARIMA در مدلسازي و پيش‌بيني شاخص منبع آب زيرزميني (GRI) (مطالعه موردي: جنوب استان قزوين)

Performance Comparison of Artificial Neural Network, Time Series and ANN-ARIMA For Groundwater Resources Index (GRI) Forecasting (Case Study: South of Qazvin Province)

خشكسالي آب زيرزميني يكي از انواع خشكسالي است كه در اثر تغذيه ناكافي مخازن سفره‌هاي آب زيرزميني بوجود آمده و شاخص منبع آب زيرزميني (GRI) به عنوان روشي براي بيان وضعيت سطح آب زيرزميني محسوب مي‌شود. تاكنون روش‌ها و مدل‌هاي مختلفي براي پيش‌بيني و مدل‌سازي اين پديده ارائه شده است اما از آنجا كه انتخاب يك مدل مناسب كار مشكلي مي‌باشد مي‌توان به جاي استفاده از يك مدل؛ تركيبي از مدل‌هاي منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پيش‌بيني مناسبت‌تر و قابل اعتماد‌تري دست يافت. در اين تحقيق پس از محاسبه مقادير GRI طي دوره آماري(1363-1390) در جنوب استان قزوين و بررسي ارتباط آن با پارامترهاي هواشناسي (بارندگي، دبي، تبخيروتعرق پتانسيل، دما (ميانگين، ماكزيمم، مينيمم)) و سيگنال‌هاي اقليمي ( MEI، SOI، AMM، AMO و PDO)، با استفاده از آزمون گاما در سه ساختار تركيب ورودي، اقدام به مدل‌سازي با شبكه عصبي مصنوعي گرديد. نتايج نشان داد كه سيگنال اقليمي SOI و پارامترهاي دمايي داراي بيشترين همبستگي معني دار با مقادير GRI مي‌باشند. استفاده از پارامترهاي هواشناسي نيز سبب بهبود عملكرد شبكه عصبي گرديد. همچنين مدل سري‌زمانيARIMA(1,1,3)(2,0,1) با توجه به معيارهاي ارزيابي آكاييك و شوارتز به عنوان مدل منتخب تعيين گرديد. در نهايت نيز مدل‌سازي با مدل تركيبي ANN-ARIMA انجام گرفت كه عملكرد بهتري نسبت به دو مدل شبكه عصبي و سري زماني نشان داد.

Groundwater drought is one of the drought types that caused by lack of sufficient groundwater recharge. Groundwater Resources Index (GRI) is a method to express the state of this type of drought using ground water level data. Various methods and models have been presented in order to forecast and model, but selecting a reliable model is a difficult task. So, it would be better to use a combination of acceptable models instead of using just one model. In this study, the GRI values over 1984-2011 period were calculated in south of Qazvin province and its relationship with meteorological parameters such as precipitation, discharge, evapotranspiration, temperature (Mean, Max, Min) and large scale climate signals (MEI, SOI, AMM, AMO, PDO) was modeled by artificial neural network based on the Gamma test and in three structures. The results show that SOI and temperature have higher significant correlation with GRI values and also using the meteorological parameters as input parameters lead to improving the artificial neural network performance. Moreover, the ARIMA (1, 1, 3) (2, 0, 1) was selected for forecasting of GRI based on evaluation measures such as AIC and SBC. Finally, ANN-ARIMA modeling revealed better performance compared with the ANN and ARIMA(R2=0.94, RMSE= 0.05).