ارزیابی روش‌های ماشین بردار پشتیبان، تحلیل تفکیک خطی و درجه دوم در شبیه‌سازی نوسانات سطح آب زیرزمینی دشت شهرکرد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد/ بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران

2 استادیار/ بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران.

چکیده

با توجه به افزایش تقاضای آب و خشکسالی‌های شدید در سال‌های اخیر، منابع آب زیرزمینی به عنوان مهمترین منبع تأمین آب شیرین دارای اهمیت زیادی هستند. لزوم توجه به این منابع و جلوگیری از تخریب آنها نیازمند به رویکرد جامع و برنامه‌ریزی بلند مدت دارد. تغییرات آبخوان عامل مهمی است که امکان قضاوت صحیح در مورد روند تراز سطح آب زیرزمینی و مدیریت لازم در حوزه آبخیز را ایجاد می‌کند. در این تحقیق از اطلاعات ماهانه مربوط به 33 چاه مشاهده‌ای در دشت شهرکرد طی سال‌های 1378 تا 1388 به منظور شبیه‌سازی سطح آب زیرزمینی استفاده شده است. ارتباط مختصات دشت شهرکرد و تغییرات سطح آب زیرزمینی با روش‌های تحلیل تفکیک خطی (LDA)، تحلیل تفکیک درجه دوم (QDA) و ماشین بردار پشتیبان (SVM) در دوره‌های زمانی 1، 3، 5 و 10 ساله مورد بررسی قرار گرفته است. نتایج نشان از این دارد که ماشین بردار پشتیبان با داشتن کمترین میانگین خطای نسبی در دوره‌های 1 و 3 ساله و دقت قابل قبول در دوره‌های 5 و 10 ساله دارای برتری بر سایر روش‌ها بوده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Support Vector Machine, and Linear and Quadratic Discriminant Analysis for Groundwater Level Variations in Shahrekord Plain

نویسندگان [English]

  • A. Ramezani Charmahineh 1
  • M. Zounemat Kermani 2
1 M.Sc. Graduated, Department of Water Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
2 Assistant Professor, Department of Water Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
چکیده [English]

In recent years, due to the increasing rate of water demand and severe droughts, groundwater resources are considered as the most important sources of fresh water. Accordingly, a comprehensive strategy along with a long term plan is needed for preventing groundwater destruction. Variations in aquifer water level, are amongst the main factors which provide correct judgment about groundwater status and govern the watershed management projects.  In the present study, monthly data (1999 to 2009) from 33 observational wells in Shahrekord Plain have been used for simulating the groundwater level. The relationship among the Shahrekord Plain coordinates and the groundwater level variations, for 1, 3, 5 and 10 year period, were investigated using Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), and Support Vector Machine (SVM). The results showed that the SVM is superior to the other two models due to its lowest average relative error in 1 and 3 year periods, and its acceptable precision in 5 and 10 year periods.

کلیدواژه‌ها [English]

  • groundwater level
  • Linear discriminant analysis
  • Shahrekord Plain
  • Support Vector Machine
باقری‌هارونی م‌ح، فتحیان ف (1390) بررسی عملکرد شبکه عصبی، نرو- فازی و مدل‌های سری زمانی در پیش‌بینی سطح آب زیرزمینی، منطقه موردی: دشت ابرکوه. اولین همایش منطقه‌ای توسعه منابع آب، دانشگاه آزاد اسلامی واحد ابرکوه، یزد، ایران، 29 اردیبهشت.
پورکرمان م، چرخابی ا، مصدق ح، پیروان ح (1390) شناسایی عوامل شیمیایی تأثیرگذار بر مقاومت خاک با استفاده از آنالیز تفکیکی به روش قدم به قدم، مطالعه موردی: مارن‌های حوضه آبخیز سرخه. مجله علوم و مهندسی آبخیزداری ایران، سال 5، شماره 16: 23-32.
چیت‌سازان م، میرزایی ی، چینی‌پرداز ر (1386) منطقه‌بندی آبخوان دشت شهرکرد با استفاده از تحلیل سری‌های زمانی. مجله علوم دانشگاه شهید چمران، سال جدید، شماره 17: 1-15.
چینی‌پرداز ر، رکابدار ق، یوسفی‌حاجی‌آباد ر (1385) بررسی توسعه انسانی کشورها با استفاده از روش تحلیل ممیزی آمیخته. فصلنامه بررسی‌های اقتصادی، دوره 3، شماره 3: 5-20.
کوهستانی ن (1390) برآورد سطح آب زیرزمینی با استفاده از سیستم استنتاجی فازی- عصبی، مطالعه موردی: حوزه نرماب استان گلستان. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر، تهران، ایران، 13-14 اردیبهشت.
لاله‌زاری ر، طباطبایی س‌ح (1389) خصوصیات شیمیایی آب زیرزمینی دشت شهرکرد. مجله محیط شناسی، سال 36، شماره 53: 55-62.
محرمپور م، محرابی ع، کاتوزی م (1390) به کارگیری ماشین بردار پشتیبان SVM برای پیش‌بینی دبی روزانه. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر، تهران، ایران، 13-14 اردیبهشت.
میرزایی ی، چیت‌سازان م، چینی‌پرداز ر، صمدی ح (1385) پیش‌بینی وضعیت آب‌های زیرزمینی دشت شهرکرد با استفاده از مدل‌های سری‌های زمانی و بررسی راهکارهای بهبود. اولین همایش منطقه‌ای بهره‌برداری بهینه از منابع آب حوضه‌های کارون و زاینده رود، دانشگاه شهرکرد، شهرکرد، ایران، 14-15 شهریور.
Behzad M, Asghari K, Coppola EJr (2010) Comparative study of SVMs and ANNs in aquifer water level prediction. Journal of Computing in Civil Engineering 24(5):408-413.
Chen ST, Yu PS (2007) Pruning of support vector networks on flood forecasting. Journal of Hydrology 347(1-2):67-78.
Dibike YB, Velickov S, Solomatine DP, Abbott MB (2001) Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering 15(3):208-216.
Du Z, Jin X (2008) Multiple faults diagnosis for sensors in air handling unit using Fisher discriminant analysis. Energy Conversion and Management 49(12):3654-3665.
Güraksın GE, Haklı H, Uğuz H (2014) Support vector machines classification based on particle swarm optimization for bone age determination. Applied Soft Computing 24:597-602.
Hofmann T, Scholkopf B, Smola AJ (2008) Kernel methods in machine learning. The Annals of Statistics 36(3):1171-1220.
Huberty CJ (1994) Applied Discriminant Analysis. Jon Wiley and Sons, New York, 466p.
Rani N, Sinha RK, Prasad K, Kedia DK (2011) Assessment of temporal variation in water quality of some important rivers in middle Gangetic plains, India. Environ Monit Assess 174(1-4):401-415.
Shiri J, Kisi O, Yoon H, Lee KK, Nazemi AH (2013) Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques. Computers & Geosciences 56:32-44.
Sudheer Ch, Shrivastava NA, Panigrahi BK, Mathur S (2011) Groundwater level forecasting using SVM-QPSO. In: Proc. Swarm, Evolutionary, and Memetic Computing, Second International Conference, (SEMCCO 2011), 19-21 December, Visakhapatnam, Andhra Pradesh, India, Part I, Lecture Notes in Computer Science 7076:731-741.
Suryanarayana Ch, Sudheer Ch, Mahammood V, Panigrahi BK (2014) An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India. Neurocomputing 145:324-335.
Vapnik VN (1998) Statistical Learning Theory. John Wiley and Sons, New York, 736p.
Yoon H, Jun SC, Hyun Y, Bae GO, Lee KK (2011) A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology 396(1-2):128-138.
Zhao W, Gao Y, Li C (2012) RVM based on PSO for groundwater level forecasting. Journal of Computers 7(5):1073-1079.