كاربرد مدل شبكه عصبي- موجك براي پيش‏بيني ويژگي‏هاي غيرايستا و غيرخطي سري زماني تراز آب زيرزميني

Application of wavelet-neural network model for forecasting groundwater level time series with non-stationary and nonlinear characteristics

سابقه و هدف: سفره‏هاي آب زيرزميني غالباً به‌عنوان سيستم‏هايي با ويژگي‏هاي غيرايستا و غيرخطي شناخته مي‏شوند. مدل‏سازي اين سيستم‏ها و پيش‏بيني حالت‏هاي آينده آن‏ها نيازمند تشخيص اين ويژگي‏هاي بنيادي است. اگرچه مدل‏هاي رياضي و فيزيكي، ابزار اصلي براي بررسي اين سيستم‌ها هستند، اما پيچيدگي اين مدل‌ها و نبود اطلاعات مورد نياز باعث محدوديت كاربرد آن‌ها شده‏ است. استفاده از مدل شبكه عصبي و تركيب آن با ساير روش‌ها براي پيش‏بيني تراز آب زيرزميني، در سال‏هاي اخير مرسوم شده ‏است. اخيراً آناليز موجك نيز به‌دليل توانايي آن در رمزگشايي ويژگي‏هاي اشاره‏شده، به‏طور گسترده‏اي در اين زمينه مورد استفاده قرار گرفته ‏است. هدف اين پژوهش ارزيابي يك مدل جديد تركيبي شبكه عصبي و موجك براي پيش‏بيني تراز آب زيرزميني مي‌باشد. مواد و روش‌ها: در اين مقاله توانايي مدل تركيبي شبكه عصبي- موجك (كه از روش جمع زيرسري‏ها استفاده مي‏كند) در پيش‏بيني تراز آب زيرزميني ارزيابي شده و اين مدل با مدل‌هاي شبكه عصبي و رگرسيون خطي چندمتغيره مقايسه شده ‏‏است. داده‏هاي استفاده ‏شده براي ساخت مدل‏‌ها شامل تراز آب زيرزميني ماهانه و بارندگي ماهانه دو پيزومتر واقع در دشت قم به‏مدت 20 سال مي‌باشد. يافته‌ها: پيش‏بيني 12 ماه آينده با مدل تركيبي شبكه عصبي- موجك نشان داد كه خطاي اين مدل در مقايسه با مدل شبكه عصبي به ميزان 30 و 23 درصد و در مقايسه با مدل رگرسيون خطي چندمتغيره 37 و 51 درصد به‌ترتيب براي پيزومترهاي 1 و 2 كم‌تر است. با توجه به نتايج بارندگي اثر قابل‌توجهي روي تغييرات تراز آب زيرزميني دو پيزومتر مطالعاتي ندارد؛ گرچه در زيرسري‏هاي جزييات حاصل از تجزيه موجكي، استفاده از بارندگي باعث بهبود نتايج شد. نتيجه‌گيري: مدل تركيبي شبكه عصبي- موجك نسبت به دو مدل ديگر بهتر مي‏تواند خصوصيات غيرخطي و پيچيده تراز آب زيرزميني پيزومترهاي مطالعاتي را شبيه‏سازي كند. استفاده از سري زماني بارندگي باعث بهبود نتايج مدل شبكه عصبي نشد كه علت آن احتمالاً تاثير ناچيز بارندگي روي تراز آب زيرزميني دشت قم (كه در عمق‌هاي پايين قرار دارد) مي‏باشد.

Background and Objectives: Aquifer systems are often characterized by non-stationary and nonlinear features. Modelling of these systems and forecasting their future conditions requires identification of these fundamental features. Conceptual or physically based models are often the main type of model used to understand physical processes occurring in a particular system. However, they have a number of practical limitations, including the need for large amounts of hydrogeological data. Recently, wavelet analysis has been used widely in hydrological time series forecasting owing to its ability to decode aforementioned features. The objective of this study is to assess the ability of combined wavelet-artificial neural network model to predict the groundwater level. Materials and Methods: In this paper, a hybrid model is tested based on coupling wavelet and artificial neural networks (WANN) that use sum of sub-series method, for its ability to yield forecasts of groundwater level. The model results are compared with the results from artificial neural networks (ANN) and multi linear regression (MLR) models. The variables used to develop the models were monthly groundwater level at two piezometers and monthly total precipitation data recorded for 20 years in the Qom plain, Iran. Results: Twelve-month-ahead prediction with the WANN model show that the error of this model is 30 and 23 percent less than ANN model and 37 and 51 percent less than MLR model for piezometers 1 and 2 respectively. The results show that precipitation has no significant effect on groundwater level variations of the two study piezometers; although for the detail sub-series, use of precipitation improved the results. Conclusion: The results showed that WANN model simulate the non-linear and non-stationary characteristics of groundwater level better than ANN and MLR models. Using rainfall time series did not improve the ANN results, because the groundwater level is very deep in Qom plain.