طراحي شبكه پايش سطح آب زير‏زميني با استفاده از مدل حداقل مربعات ماشين بردار پشتيبان (LS-SVM)

Design of Groundwater Level Monitoring Network, Using the Model of Least Squares Support Vector Machine (LS-SVM)

این مطالعه روشی برای طراحی شبكه‏های پایش كمّی آب زیر‏زمینی به ‏منظور كاهش نقاط پایش مكانی اضافی ارائه می‏كند؛ چاه‏های اضافی، كه اگر نمونه‏گیری نشوند، خطا‏ی تخمین سطح آب زیر‏زمینی آن‌ها قابل چشم‌پوشی است. این روش مبتنی بر روش ماشین بردار پشتیبان بر پایة تئوری یادگیری آماری است. در این مطالعه، با استفاده از اطلاعات كمّی 63 چاه‏ مشاهداتی و پارامتر‏های هواشناسی (بارندگی و تبخیر) دشت رامهرمز، در دورة 7 ساله، عملكرد مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در طراحی شبكة برداشت چاه‏های مشاهداتی آب زیر‏زمینی بررسی شد. تركیب‏های مختلف پارامتر‏های اثر‏گذار بر تراز سطح آب زیر‏زمینی با استفاده از مدل LS-SVM ارزیابی شد. تركیب برتر مدل LS-SVM دربرگیرندة شاخص‏های عملكرد (3405/0MAE=و 9992/0= 2R) است. سپس، با استفاده از تابع تقریب بهینه، 42 عدد چاه مشاهداتی به ‏منظور پایش مكانی مناسب در منطقة دشت رامهرمز مشخص شد.

The present study presents a methodology for the design of long-term groundwater head monitoring networks to reduce spatial redundancy in which the additional wells if not sampled, the error related to groundwater level estimation would be negligible. This method is based on Support Vector Machine, and founded upon the statistical learning theory. Throughout the study, some 63 quantitative data, observation wells as well as meteorological parameters (precipitation and evaporation) of Ramhormoz plain (in a 7-year period) were employed to evaluate the performance of Least Squares Support Vector Machine model (LS-SVM) in the groundwater observation well network design concept. Different combinations of parameters affecting the ground water level were assessed using the model LS-SVM. The optimal combination of LSSVM model with RBF Kernel function carries such performance parameters as R2=0.9992, MAE=0.3405. Then, using Function Approximation Optimum, a number of 42 observation wells were pinpointed to apply the appropriate spatial monitoring in the plain of RAMHORMOZ.