مقایسه مدل های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش بینی سطح آب زیرزمینی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 هیات علمی دانشگاه آزاد اسلامی واحد خرم آباد

2 دانشجوی دکترای سازه های آبی دانشگاه لرستان

چکیده

در مطالعات آب‌های زیرزمینی، تغییرات سطح ایستابى از اهمیت فراوانی برخوردار است. در این پژوهش جهت پیش‌بینی سطح آب‌های زیرزمینی دشت نورآباد واقع در استان لرستان از شبکه عصبی موجک استفاده شد و نتایج آن با روش شبکه عصبی مصنوعی مقایسه گردید. پارامترهای بارندگی، دما، دبی جریان و تراز سطح ایستابی در دوره زمانیماه قبل به‌عنوان ورودی و تراز سطح ایستابی در دوره موردنظربه‌عنوان خروجی مدل‌ها در مقیاس زمانی ماهانه در طی دوره آماری (1380-1391) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورداستفاده قرار گرفت. نتایج حاصله نشان داد دو مدل مورداستفاده با دقت قابل قبولی توانسته به تخمین  تراز سطح ایستابی بپردازد، لیکن ازلحاظ دقت، مدل شبکه عصبی موجک با بیشترین ضریب همبستگی (0/920)، کمترین ریشه میانگین مربعات خطا(0/074m)، میانگین قدر مطلق خطا (0/048m) و نیز معیار نش ساتکلیف(0/835) در مرحله صحت سنجی انتخاب شد. درمجموع نتایج نشان داد که مدل شبکه عصبی موجک توانایی بالایی در تخمین مقادیر کمینه و بیشینه‌ تراز سطح ایستابی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the Wavelet Neural Network and Artificial Neural Network Models in Groundwater Level Prediction

نویسندگان [English]

  • Hamidreza Babaali 1
  • Reza Dehghani 2
1 Assistant Professor of Islamic Azad University, Khorramabad Branch
2 PhD student of Hydraulic Structures, Lorestan University
چکیده [English]

Assessing of Groundwater level variation In the hydrogeology issues, is very important. In this research to predicting the groundwater level in Nourabad plain of Lorestan Province, the wavelet neural networks were used and the results compared with artificial neural network. Parameters of precipitation, temperature, flow rate and water level within time period of the previous month were used as input and water table in each period were selected as output through monthly scale (2001-2012). Criterion of correlation coefficient, root mean square error and coefficient of mean absolute error of Nash suttclif were used for evaluating the performance of models. The results showed that the both models are able to estimating the water levels with acceptable level, But in terms of accuracy, wavelet neural network model with the highest correlation coefficient (0.920), the lowest root mean square error (0.074m), mean absolute error (0.048m) and the criterion Nash Sutcliffe (0.835) in validation phase was selected. The results showed that the wavelet neural network model has a great ability in estimating the minimum and maximum values of groundwater level.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Neural network
  • Nourabad
  • Water Table
  • Wavelet