ارزیابی مقایسه ای مدل های درخت تصمیم (M5) و حداقل مربعات ماشین بردار پشتیبان (LS_SVM) در پیش بینی سطح آب زیرزمینی دشت مشهد

Abstract

موضوع: پیش‌بینی سطح ایستابی سفرۀ آب زیرزمینی یکی از گام‌های اساسی مدیریت بهینۀ منابع آب در مناطق خشک و نیمه‌خشک محسوب می‌شود. امروزه کاربرد مدل‌های هوش مصنوعی در تخمین تراز آب زیرزمینی به‌دلیل سهولت استفاده و دقت بالای آن‌ها در برآورد معادله‌های پیچیده و غیرخطی ریاضی رو به افزایش است.هدف: مطالعۀ حاضر با هدف برآورد سطح آب آبخوان دشت مشهد با استفاده از مدل درخت تصمیم (M5) و مقایسۀ آن با مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) تحت 10 سناریو انجام شده است.روش تحقیق: بدین منظور از داده‌های اقلیمی ماهانه (بارش، تبخیر و دما) و اطلاعات سطح آب زیرزمینی 60 چاه پیزومتری در دورۀ آماری 10ساله استفاده و مدل‌های به‌کاررفته با استفاده از آماره‌هایی همچون ضریب تعیین (R2)، RMSE و MBE مورد ارزیابی قرار گرفت.یافته‌ها: نتایج مدل LS-SVM نشان داد بیشترین دقت شبیه‌سازی متعلق به سناریوی 4 و سپس 9 بوده و سایر سناریوهای مورد استفاده دقت بسیار پایینی در شبیه‌سازی سطح آب دارند. مقدار خطای MBE در سناریوهای 4 (0/151-) و 9 (0/018-) نشان داد مدل سطح آب زیرزمینی را کمتر از واقعیت شبیه‌سازی نموده است. براساس نتایج شبیه‌سازی سطح آب توسط مدل درخت تصمیم در تمام سناریوها قابل قبول بوده و سناریوهای 4 و 5 با ضریب تعیین 0/999 و 0/986، به‌ترتیب بیشترین و کمترین دقت را دارند. به‌طورکلی در هر دو مدل مورد استفاده، سناریوی 4 سطح آب زیرزمینی را با دقت تقریباً مشابهی شبیه‌سازی نموده است. مقایسۀ نتایج مدل‌ها حاکی از حساسیت بیشتر مدلLS-SVM نسبت به مدل M5 در برابر تغییرات پارامترهای ورودی است، به‌طوری‌که مدل درخت تصمیم برخلاف مدل حداقل مربعات ماشین بردار پشتیبان در تمام سناریوها نتایج قابل قبولی دارد.نتیجه‌گیری: درمجموع مقایسۀ مدل‌های مورد استفاده حاکی از این است که انتخاب مناسب پارامترهای اقلیمی و بررسی و تحلیل داده‌ها تأثیر قابل توجهی بر دقت پیش‌بینی‌ها دارد.