TY - JOUR T1 - Evaluation of the Efficiency of Support Vector Regression, Multi-Layer Perceptron Neural Network and Multivariate Linear Regression on Groundwater Level Prediction (Case Study: Shahrekord Plain) TT - بررسی کارایی روش‌های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش‌بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد) JF - jwmr JO - jwmr VL - 8 IS - 15 UR - http://jwmr.sanru.ac.ir/article-1-837-fa.html Y1 - 2017 SP - 1 EP - 12 KW - Groundwater level prediction KW - Multivariate regression KW - Perceptron neural network KW - Shahrekord Plain KW - Support Vector Regression N2 - تراز سطح آب زیرزمینی عاملی است که امکان قضاوت صحیح در مورد روند تغییرات آبخوان و مدیریت لازم در حوزه آبخیز را ایجاد می‌کند. در این تحقیق از اطلاعات ماهانه 18 چاه مشاهده‌ای در دشت شهرکرد طی سال‌های 1379 تا 1389 به منظور شبیه‌سازی و پیش‌بینی سطح آب زیرزمینی با مدل‌های رگرسیون خطی چند متغیره (MLR)، شبکه عصبی پرسپترون چند لایه (MLP) و دو مدل رگرسیونی ماشین ‌بردار پشتیبان (SVR) با توابع کرنل پایه شعاعی (RBF) و خطی (Linear) استفاده‌شده است. با توجه به معیارهای خطای ضریب راندمان (NS) و ریشه میانگین مربعات خطا (RMSE)، مدل MLP در 56 درصد و مدل SVR نیز در 44 درصد موارد عملکرد بهتری نسبت به نتایج کل سایر مدل‌ها داشته‌اند. به‌عنوان نمونه در چاه شماره 1 (بخش مرکزی دشت)، مدل SVR-RBF با ترکیب ورودی پارامترهای متشکل از تراز سطح آب زیرزمینی، دما، تبخیر و بارش بر سایر مدل‌ها برتری داشته است. همچنین مقایسه کلی نتایج دو روش SVR، حاکی از برتری تابع کرنل RBF بر حالت خطی بوده است. عملکرد کلی مدل‌های MLP، SVR-RBF و SVR-Linear برای معیار NS به ترتیب برابر با 703/0، 656/0 و 655/0 و در شاخص RMSE نیز به ترتیب برابر با 857/0، 905/0 و 914/0 متر به دست آمده است. M3 10.29252/jwmr.8.15.1 ER -