کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش‌بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده منابع طبیعی، دانشگاه یزد

2 دانش‌آموخته ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه یزد

چکیده

پیش­بینی نوسانات سطح آب زیرزمینی، برای برنامه­ریزی مناسب­تر به­ویژه در مناطق خشک و نیمه خشک امری ضروری است. در این تحقیق برای پیش­بینی نوسانات سطح آب زیرزمینی در دشت مروست از مدل­های سری زمانی و شبکه عصبی استفاده شد. برای مدل­سازی، اطلاعات سطح آب زیرزمینی در طی سال­های 88-1366 استفاده و مدل­های مختلف سری زمانی تلفیقی و شبکه عصبی مصنوعی بر داده­ها برازش داده شد. کارآیی و دقت مدل­های آریما در پیش­بینی مقادیر آتی توسط معیار اطلاعاتی آکائیک و جذر مربع میانگین خطاها مورد ارزیابی قرار گرفت. نتایج بررسی حالت­های مختلف مدل آریما نشان داد که مدل آریما(1,1,0) بهترین برازش  را با داده­ها دارد. در مدل شبکه عصبی مصنوعی پیش خور با الگوریتم پس انتشار خطا از سه تابع آموزشی لونبرگ مارکوآرت، پس انتشار ارتجاعی و شیب توأم مقیاس شده استفاده شد. با توجه به نتایج به دست آمده از بین سه تابع آموزشی، تابع لونبرگ مارکوآرت به عنوان بهترین تابع آموزشی برای پیش­بینی سطح آب زیرزمینی انتخاب گردید. برای ارزیابی و انتخاب روش بهتر، بین مدل سری زمانی تلفیقی آریما (1,1,0)و مدل شبکه عصبی پیش خور با الگوریتم پس انتشار خطا، از آماره­های میانگین مربع خطاها، میانگین قدر مطلق خطاها و ضریب بازدهی استفاده شد که مدل شبکه عصبی نسبت به سری زمانی تلفیقی برتری جزئی نشان داد.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Appli‌cation and Comparison of Integrated Time Series and Artificial Neural Network Model for Prediction of the Variations of Groundwater Level (Case study: Plain Marvast)

نویسندگان [English]

  • Hossein Malkinezhad 1
  • Robabeh Porshaiani 2
1 Assistant Professor, Faculty Of Natural Resources, Yazd University.
2 Graduated seniorin watershed management, Faculty of Natural Resources, Yazd University
چکیده [English]

     Prediction of groundwater level fluctuations is an essential step for management, appropriate planning and efficient use in arid and semi-arid regions. According to the existing information, the general trend of groundwater hydrograph represents declining trend and continuous falling of groundwater level during the last years in the Marvast plain. In this study, integrated time series and neural network models was used to predict the fluctuations of groundwater levels in the Marvast plain. For this purpose, the groundwater level data of 1987-2009 time period were provided and different integrated time Series models and artificial neural network were fitted to the data. The efficiency and accuracy of ARIMA model for predicting future values was assessed using the Root Mean Square Errors (RMSE) and Akaike information criterion. The results of different ARIMA states showed the ARIMA (1, 1, 0) is the best-fit time series model. Three train functions of Levenberg-Marquardt, Resilient Back Propagation and Scaled Conjugate Gradient were used for the feed-forward back propagation neural network. The results showed Levenberg-Marquardt function is the best train function to predict groundwater level. Comparing the results of ARIMA (1,1,0) and neural network feed-forward with back propagation algorithm using RMSE, MAE and CE statistics showed neural network model is relatively superior to the Integrated Time Series model.
 
 

کلیدواژه‌ها [English]

  • Integrated Time series model
  • Artificial neural network
  • Marvast plain
  • Groundwater level