پیش بینی سطح آب زیرزمینی با استفاده از مدل منطق فازی مرکب نظارت شده (مطالعه ی موردی: دشت مشگین شهر)
آرشیو
چکیده
ارتقاء اطلاعات کمی به بهبود پیش بینی پارامتر های برف کمک می کند. تاکنون تعاملات بین اندازه ی پیکسل به صورت محدود بررسی شده است. هدف از این تحقیق، بررسی اثر قدرت تفکیک مکانی بر روی پیش بینی عمق برف از طریق آزمون تجربی روابط بین مدل های رقومی ارتفاع و پارامترهای مؤثر در مدل سازی عمق معادل برف با قدرت تفکیک مختلف و با استفاده از مدل رگرسیون چندمتغیره می باشد. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت سیستماتیک و با نمونه بردار مدل فدرال برداشت گردید.. سپس یک مدل رقومی ارتفاع 10 متری به عنوان مبنا انتخاب گردید و از مدل رقومی ارتفاع مبنا تعداد 25 پارامتر مرفومتری استخراج و به عنوان ورودی شبکه ی عصبی ان تخاب و با استفاده از آنالیز حساسیت مهم ترین پارامترهای تأث یرگذار در مدل سازی ع مق برف مشخص شد. در مرحله ی بعد با استفاده از مدل رقومی ارتفاع مبنا 9 مدل رقومی ارتفاعی با اندازه ی پیکسل متفاوت استخراج گردید. سپس در ادامه پارامترهای مؤثر در عمق برف با استفاده از 10 مدل رقومی ارتفاع استخراج و بین آن ها و عمق برف نمونه برداری شده یک رابطه ی رگرسیونی ایجاد و عمق برف محاسبه گردید. جهت ارزیابی دقت مدل ها از پارامترهای RMSE، NMSE، MSE و MAE استفاده و در نهایت مدل رقومی ارتفاع 150 متر با مقادیر به ترتیب 75/24، 350/0، 975/612 و 97/18 بهترین مدل رقومی ارتفاع جهت مدل سازی عمق برف انتخاب گردید. این مسأله می تواند در کاهش هزینه ها و افزایش دقت برآورد عمق برف کمک بسیاری نماید.Groundwater Level Prediction Using Supervised Committee Fuzzy Logic (Case Study: Meshginshahr Plain)
Groundwater is the main supply of drinking and agriculture demands in Meshginshahr plain located on Northwest of Iran in the Province of Ardebil. The investigation of groundwater level fluctuations is necessary for effective groundwater management in this plain. For this purpose, artificial intelligence methods are interested due to high ability, cost effectiveness, needing less data, and fast running. This study presents a supervised committee fuzzy logic (SCFL) model to predict groundwater level at three piezometers in the study area. For implementing SCFL model, first fuzzy logic models such as Mamdani fuzzy logic (MFL), Larsen fuzzy logic (LSL) and Sugeno fuzzy logic (SFL) were applied to predict groundwater level using precipitation, temperature, discharge of ion wells and groundwater level with one month lag data. Then a supervised committee fuzzy logic as a non-linear model was used to combine the outputs of individual fuzzy models to reap the advantages of all three models simultaneously. Three different criteria RMSE, MAE and R2 were used to assess the prediction efficiency and accuracy of models. Based on results, MAE values of SCFL model are 0.12, 0.04 and 0.03 for piezometer 1, 2, and 3 respectively for training step. It presents the superiority of SCFL model over the individual fuzzy models. Also SCFL model could reduce prediction RMSE to 6% for piezometer 1 and 8%, 14% for piezometers number 2 and 3 respectively.
تبلیغات
