پيش بيني سطح آب زيرزميني با استفاده از مدل منطق فازي مركب نظارت شده (مطالعه ي موردي: دشت مشگين شهر)

(Groundwater Level Prediction Using Supervised Committee Fuzzy Logic (Case Study: Meshginshahr Plain

دشت مشگين شهر كه در شمال غرب ايران در استان اردبيل قرار گرفته است از جمله مناطقي مي باشد كه عمده تقاضا براي آب شرب و كشاورزي از طريق آب زيرزميني اين محدوده تأمين مي شود. بنابراين به منظور مديريت صحيح و مؤثر اين منابع، مطالعه و بررسي تغييرات سطح آب زيرزميني در اين دشت ضروري مي باشد. بدين منظور براي بررسي اين منابع از روش هاي مدل سازي بهره گرفته شده است كه در اين ميان مدل هاي هوش مصنوعي به دليل توانايي بالا، كم هزينه بودن، استفاده از اطلاعات كمتر و همچنين اجراي سريع آنها از توجه خاصي برخوردارند. در اين مطالعه يك مدل منطق فازي مركب نظارت شده (SCFL) براي پيش بيني سطح آب زيرزميني در سه پيزومتر دشت ارايه شده است. براي اجراي مدل رSCFL ابتدا سطح آب زيرزميني با استفاده از دادههاي بارش، دما، تخليه از چاههاي بهره برداري و سطح آب زيرزميني در يك زمان قبل توسط مدل هاي فازي ممداني (MFL)، لارسن (LFL)، و ساگنو (SFL) پيش بيني شد. سپس براي استفاده همزمان از مزاياي هر سه مدل مذكور، تركيب غيرخطي از خروجي مدل هاي فازي منفرد براي ايجاد يك مدل منطق فازي مركب نظارت شده بكار برده شد. به منظور ارزيابي كارايي و دقت مدل ها در پيش بيني، از سه معيار مختلف MAE RMSE و R استفاده شد. نتايج نشان داد كه مدل SCFL با مقادير MAE برابر 0/12، 0/04 و 03/ 0 به ترتيب براي پيزومترهاي شماره 1، 2 و 3 در مرحله ي آموزشي بهترين پيش بيني را نسبت به هر سه مدل منفرد فازي ارايه كرده است. همچنين مدل رSCFL توانست RMSE پيش بيني را تا 6٪ درصد براي پيزومتر شماره يك و 8٪، 14 ٪ درصد به ترتيب براي پيزومترهاي شماره دو و سه كاهش دهد.

Groundwater is the main supply of drinking and agriculture demands in Meshginshahr plain located on Northwest of Iran in the Province of Ardebil. The investigation of groundwater level fluctuations is necessary for effective groundwater management in this plain. For this purpose, artificial intelligence methods are interested due to high ability, cost effectiveness, needing less data, and fast running. This study presents a supervised committee fuzzy logic (SCFL) model to predict groundwater level at three piezometers in the study area. For implementing SCFL model, first fuzzy logic models such as Mamdani fuzzy logic (MFL), Larsen fuzzy logic (LSL) and Sugeno fuzzy logic (SFL) were applied to predict groundwater level using precipitation, temperature, discharge of abstraction wells and groundwater level with one month lag data. Then a supervised committee fuzzy logic as a non-linear model was used to combine the outputs of individual fuzzy models to reap the advantages of all three models simultaneously. Three different criteria RMSE, MAE and R2 were used to assess the prediction efficiency and accuracy of models. Based on results, MAE values of SCFL model are 0.12, 0.04 and 0.03 for piezometer 1, 2, and 3 respectively for training step. It presents the superiority of SCFL model over the individual fuzzy models. Also SCFL model could reduce prediction RMSE to 6% for piezometer 1 and 8%, 14% for piezometers number 2 and 3 respectively.