مقايسه عملكرد سه روش هوشمند به منظور پيش بيني نوسانات سطح ايستابي (مطالعه موردي: دشت زرين گل)

Comparison of three intelligence techniques for predicting water table depth fluctuations (Case study: Zarringol plain)

آب زيرزميني مهم ترين منابع تامين آب در جهان براي مصارف خانگي و شرب مي باشد. در اين خصوص، سياست تامين آب مناسب به خصوص در طول فصول خشك مستلزم پيش بيني نوسانات تراز آب با دقت قابل قبول مي باشد. در اين پژوهش به مقايسه عملكرد سه روش هوش مصنوعي براي پيش بيني نوسانات تراز سطح ايستابي پرداخته شده است. اين مدل ها شامل شبكه هاي عصبي مصنوعي، سامانه استنتاج تطبيقي فازي- عصبي و برنامه ريزي بيان ژن مي باشند كه براي پيش بيني سري زماني تراز سطح آب در حوضه زرين گل در 1359 براي - استان گلستان به كار گرفته شدند. داده هاي تراز سطح آب در مقياس ماهانه در دوره آماري 89 و ضريب (RMSE) آموزش و آزمون مدل ها استفاده شدند. پارامترهاي آماري شامل ريشه ميانگين مربعات خطا به منظور بررسي عملكرد مدل ها به كار گرفته شدند. نتايج به دست آمده بيانگر آن بودند كه هر سه (R تعيين ( 2 روش شبكه هاي عصبي، فازي- عصبي و برنامه ريزي بيان ژن مي توانند به طور موفقيت آميزي براي پيش بيني نوسانات سطح ايستابي مورد استفاده قرار گيرند. در بهترين حالت اجراي مدل، بالاترين مقدار ضريب تعيين، محاسبه شد، كه (R2=0/ و ايمرتره ملا ( 84 (R2=0/ كوچك خرطوم ( 80 ،(R2=0/ براي چاه هاي سلاخ غيب ( 83 مقادير بالا مربوط به روش برنامه ريزي بيان ژن مي باشد. از طرفي عملكرد مدل برنامه ريزي بيان ژن در مقايسه با دو روش ديگر از جنبه هاي مختلف بهتر بود. در روش برنامه ريزي بيان ژن مي توان رابطه رياضي حاكم بر مساله مورد بررسي را به صورت دقيق مشخص نمود. واژه هاي كليدي: شبكه عصبي مصنوعي، فازي- عصبي تطبيقي، برنامه ريزي بيان ژن، تراز سطح ايستابي

Groundwater is a prominent source of drinking and domestic water in the world. In this context a reliable water supply policy, specifically during the dry season necessitates accurately acceptable predictions of water table depth fluctuations. The inter-comparison of three artificial intelligence (AI) techniques are presented using the results of water table depth fluctuation time series. These models comprise Artificial Neural Network (ANN), Adaptive Nero-Fuzzy Inference System (ANFIS) and GeneExpression Programming (GEP), which are for water table predicting of Zarringol basin in Golestan province, Iran. The monthly mean water table data with a period between 1980 and 2010 were used for training and testing the models. Statistical parameters, namely, the root mean square error (RMSE) and determination coefficient (R2) were used to measure their performance. Overall, the results indicate that ANN, ANFIS and GEP models could be employed successfully in forecasting water table fluctuation. The best performing model, The highest coefficient of determination for Salakhgheib well (R2=0.83), Kochak Khortom well (R2=0.80) and Imeretaremola well (R2=0.84) calculated that these values are related to gene expression programming method. However, the performance of GEP displayed a better edge over the other two modeling approaches in most of the respects especially in giving explicit expression for the problem. Keywords: ANN, ANFIS, GEP, Water table depth