fa 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) تخصصي Special پژوهشي Research <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">تراز سطح آب زیرزمینی عامل</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">ی </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">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</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و پیش‌بینی</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> سطح آب زیرزمینی با مدل‌های رگرسیون خطی چند متغیره (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">MLR</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)، شبکه عصبی </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">پرسپترون چند لایه (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">MLP</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و دو مدل رگرسیونی ماشین ‌بردار پشتیبان (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) با توابع کرنل پایه شعاعی (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">RBF</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) و خطی (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">Linear</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) استفاده‌شده است. </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">با توجه به معیارهای خطای ضریب راندمان (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">NS</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) و ریشه میانگین مربعات خطا</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">RMSE</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)، </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">مدل </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">MLP</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> در 56 درصد و مدل </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> نیز در 44 درصد موارد عملکرد بهتری </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">نسبت به نتایج کل سایر مدل‌ها</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> داشته‌اند. به‌عنوان نمونه در چاه شماره 1</span></span></strong> <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">(بخش مرکزی دشت)</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، مدل </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR-RBF</span></span></span></strong> <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">با ترکیب ورودی پارامترهای متشکل از تراز سطح آب زیرزمینی، دما، تبخیر و بارش </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">بر سایر مدل‌ها برتری داشته است. همچنین </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">مقایسه کلی نتایج دو روش </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، حاکی از برتری </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">تابع کرنل </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">RBF</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> بر حالت خطی</span></span></strong> <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">بوده است. عملکرد کلی مدل‌های </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">MLP</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR-RBF</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SVR-Linear</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> برای </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">معیار </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">NS</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> به ترتیب برابر با 703/0</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، 656/0 و 655/0</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و در شاخص</span></span></strong> <strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">RMSE</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> نیز </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">به ترتیب برابر با </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">857/0</span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، </span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">905/0 و 914/0 متر به دست آمده است.</span></span></strong> Accurate and reliable simulation and prediction of the groundwater level variation is significant and essential in water resources management of a basin. Models such as ANNs and Support Vector Regression (SVR) have proved to be effective in modeling nonlinear function with a greater degree of accuracy. In this respect, an attempt is made to predict monthly groundwater level fluctuations using Multivariate Linear Regression, Multi-Layer Perceptron neural network models and two SVRs with RBF and linear function. In the present study, monthly data (from 2000 to 2010) of 18 observational wells in Shahrekord Plain were used for simulating and predicting the groundwater level. Regarding to NS efficiency and RMSE criteria, MLP model in 56% and SVR in 44%, have the best performance in comparison with other models. For an instance, in well No. 1, SVR-RBF using input parameters of groundwater level, temperature, evaporation and precipitation is superior to other models. General efficiency of MLP, SVR-RBF, and SVR-Linear for NS criteria is 0.703, 0.656 and 0.655, respectively; and for RMSE criteria is 0.857, 0.905 and 0.914 meter, respectively. Results indicate that MLP and SVR models give better accuracy in predicting groundwater levels in the study area when compared to the linear model. پیش‌بینی سطح آب زیرزمینی, رگرسیون بردار پشتیبان, شبکه عصبی پرسپترون, رگرسیون چند متغیره, دشت شهرکرد Groundwater level prediction, Multivariate regression, Perceptron neural network, Shahrekord Plain, Support Vector Regression 1 12 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-173&slc_lang=fa&sid=1 عبداله رمضانی چرمهینه 10031947532846005026 10031947532846005026 No محمد ذونعمت کرمانی 10031947532846005027 10031947532846005027 Yes