پیش بینی تراز آب زیرزمینی دشت قم به وسیله مدل ترکیبی شبکه عصبی- موجک

مدل‏های پیش‏بینی صحیح و قابل اطمینان تراز آب زیرزمینی برای مدیریت منابع آب اهمیت دارند. در سال‏های اخیر استفاده از تحلیل موجک برای تجزیه سری‏های زمانی و ترکیب آن با شبکه‏های عصبی به صورت گسترده‏ای در مدل‏سازی پدیده‏های هیدرولوژیکی به کار رفته‏است. در پژوهش حاضر کاربرد مدل‏های شبکه عصبی، ترکیبی شبکه عصبی- موجک و رگرسیون خطی چندمتغیره در پیش‏بینی تراز آب زیرزمینی هفت حلقه پیزومتر واقع در دشت قم بررسی شده است. سه نوع مدل سازی با سه گروه از پیزومترها انجام شد. ابتدا پیزومترهای 1، 2 و 3 مورد بررسی قرار گرفت و از داده‏های سری زمانی تراز آب زیرزمینی ماهانه به مدت ده سال به عنوان ورودی مدل ها استفاده شد. مدل ترکیبی شبکه عصبی- موجک که از روش جمع زیرسری‏ها استفاده می کند، توانست پیش‏بینی قابل قبولی از تراز آب زیرزمینی تا 12 ماه آینده ارائه دهد؛ در حالی که پیش‏بینی مدل های شبکه عصبی و رگرسیون خطی چندمتغیره رضایت بخش نبود. برای مدل سازی پیزومترهای 4 و 5 از داده های بارندگی ماهانه نیز استفاده شد. پیش‏بینی 12 ماه آینده با مدل ترکیبی شبکه عصبی- موجک نشان داد خطای این مدل در مقایسه با مدل شبکه عصبی به میزان 30 و 23 درصد و در مقایسه با مدل رگرسیون خطی چندمتغیره 37 و 51 درصد به ترتیب برای پیزومترهای 4 و 5 کمتر است. نتایج نشان داد بارندگی اثر قابل توجهی روی تغییرات تراز آب زیرزمینی این دو پیزومتر ندارد؛ اگرچه در زیرسری‏های جزئیات حاصل از تجزیه موجکی، استفاده از بارندگی باعث بهبود نتایج شد. سپس توانایی مدل های ترکیبی موجک- شبکه عصبی تأخیر زمانی و موجک- رگرسیون برای پیش‏بینی یک ماه آینده تراز آب زیرزمینی پیزومترهای 6 و 7 ارزیابی شد. داده‏های استفاده شده برای تشکیل این مدل ها فقط تراز آب زیرزمینی ماهانه به مدت ده سال ‏بود. مدل ترکیبی شبکه عصبی- موجک با استفاده از موجک مادر meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریب های نش 993/0 و 974/0 به ترتیب برای پیزومترهای 6 و 7 پیش بینی کند. این مقادیر برای مدل ترکیبی موجک- رگرسیون به ترتیب 989/0 و 978/0 بود.