پيش‎بيني سطح ايستابي با استفاده از سري‏هاي زماني و سيستم استنباط فازي‌ـ عصبي تطبيقي

Water Table Prediction by Use of Time Series Models and Adaptive Neural Fuzzy Inference System

مدل‌سازي در مناطق خشك براي مديريت بهينه منابع آب اهميت ويژه‌اي دارد. آب زيرزميني از مهم‌ترين منابع آبي در مناطق خشك محسوب مي‌شود. هدف اين پژوهش ارزيابي عملكرد سيستم استنباط فازي عصبي تطبيقي (انفيس) و مدل‌هاي سري زماني در پيش‌بيني سطح ايستابي است. در اين پژوهش، با استفاده از مدل‌هاي سري زماني و مدل انفيس با توابع عضويت مختلف اقدام به پيش‌بيني يك ماه بعد سطح آب‎هاي زيرزميني دشت شيراز شد. بهترين تركيب ورودي و طول داده‌هاي آموزشي و صحت‎سنجي در مدل انفيس با استفاده از آزمون گاما و M برآورد شد. عملكرد مدل‎هاي مختلف با پارامترهاي خطا و دياگرام تيلر مقايسه شد. نتايج مدل انفيس نشان داد كه اين مدل با تابع عضويت ? شكل عملكرد بهتري نسبت به بقيه توابع عضويت دارد (241/1 RMSE= و 953/0 MAE=). مقايسه عملكرد مدل‌ها، حاكي از كارايي بسيار مناسب مدل خطي ARIMA (2,1, 2) نسبت به مدل انفيس با توابع عضويت مختلف است (325/0 RMSE= و 241/0 MAE=).‌

Modeling in arid regions to better manage water resources is a subject of paramount importance. Groundwater is a precious water resource especially in arid regions. The purpose followed in the present study was to assess the performance of Adaptive Neuro Fuzzy Inference System (ANFIS) and time series models in predicting the level of a water table. Throughout the study, groundwater levels in Shiraz plain were forecasted for one month beforehand by use of time series, and as well by ANFIS models. In the ANFIS model, Gamma and M-test were used to determine the optimal input combination and training as well as testing data length. Performance of different models was compared with reference to the parameters of error and Taylor diagrams. ANFIS model results indicated that this model with a ? shaped membership function benefits from a more acceptable performance than the rest of the membership functions. A performance comparison of the models indicated a very suitable performance of the ARIMA (2, 1, 2) model in comparison with ANFIS different membership functions.