مدل سازي نوسانات روزانه سطح آب درياچه اروميه با استفاده از مدل ماشين يادگيري افراطي

Modeling of daily water level fluctuations of the Urmia lake using extreme learning machine model

در دهه­ هاي اخير به دليل افزايش بي­رويه برداشت از منابع آب سطحي و زيرزميني، جلوگيري از ورود منابع آب سطحي به درياچه اروميه و همچنين تغييرات اقليمي، سطح آب درياچه اروميه كاهش يافته و سبب ايجاد بحران آبي و زيست محيطي در منطقه گرديده است. بنابراين، مدل­سازي نوسانات سطح آب درياچه اروميه براي برنامه­ ريزي و مديريت منابع آب آن ضروري مي­باشد. هدف از اين تحقيق پيش­بيني نوسانات سطح آب درياچه اروميه براي يك، سه و هفت روز آينده با استفاده از مدل ماشين يادگيري افراطي است. براي مقايسه كارايي اين مدل از مدل­ هاي شبكه عصبي مصنوعي و سامانه استنتاج فازي-عصبي تطبيقي استفاده گرديد. براي اين منظور، از داده­ هاي روزانه سطح آب درياچه(آذر ماه 1344- آذر ماه 1391) استفاده گرديد. براي توسعه مدل­ها، از داده ­هاي سطح آب روز جاري و شش روز گذشته درياچه اروميه به عنوان ورودي مدل­ها به منظور پيش بيني سطح آب يك[h (t+1)]، سه[h (t+3)] و هفت[h (t+7)] روز آينده استفاده گرديد. داده­ ها به دو دسته آموزش/اعتبارسنجي (85 درصد) و آزمايش (15 درصد) تقسيم گرديد و پس از مدل­سازي عملكرد مدل­ها بر اساس پارامترهاي ضريب تعيين(R2)، جذر ميانگين مربعات خطا(RMSE) و ضريب نش- ساتكليف(NSC) ارزيابي گرديد. نتايج نشان داد كه مدل ماشين يادگيري افراطي با مقادير R2، RMSE و NSC به ترتيب برابر با 9995/0، 0151/0 متر و 9995/0 براي مدل­سازي يك روز آينده سطح آب درياچه در مقايسه با مدل­هاي شبكه عصبي مصنوعي و سامانه استنتاج فازي - عصبي تطبيقي عملكرد بهتري دارند. همچنين در اين تحقيق مشاهده گرديد كه مدل­هاي ماشين يادگيري افراطي خيلي سريع­تر از مدل­هاي ديگر، يادگيري در مرحله آموزش را سپري مي­كنند حال آنكه مدل­هاي فازي - عصبي تطبيقي زمان بيشتري را براي مرحله آموزش صرف كردند.

In recent decades, the water level of the Urmia Lake has decreased due to over utilization of surface and groundwater resources, prevention of surface water resources discharges to the Urmia Lake and also climate changes, which caused water and environmental crisis in the region. Therefore, modeling Lake level fluctuations is essential for its water resources planning and management. The aim of the study is to forecast the Urmia Lake water level fluctuations for one, three and seven days ahead using extreme learning machine (ELM). Also, the artificial neural network (ANN) and adaptive neuro fuzzy inference system (ANFIS) models used to compare the ability of ELM. For this purpose, the daily water level (Dec 1965- Nov 2012) of the lake was used. To develop the models, the six days water level lags as the inputs used for forecasting the one [h(t+1)], three [h(t+3)] and seven [h(t+7)] days ahead water levels. The data sets were divided into two subsets training/validation (85%) and testing (15%) and after modeling, the performance of the models were evaluated based on coefficient of determination (R2), root mean square errors (RMSE) and Nash–Sutcliffe coefficient (NSC). The results showed that the ELM model for one-step-ahead water level modeling with R2 = 0.9995, RMSE = 0.0151 m and NSC = 0.9995 respectively, outperformed in comparison with ANN and ANFIS models. Also, it was observed that ELM models learned faster than the other models during model development trials whereas the ANFIS models had the highest computation time.