مریم بیات ورکشی

در این تحقیق از 4 مدل شبکه های عصبی مصنوعی، عصبی فازی، مدل ترکیبی عصبی مصنوعی و تئوری موجک و مدل ترکیبی عصبی فازی و تئوری موجک به منظور مدل سازی سطح آب زیرزمینی در دو دشت رفسنجان و تبریز با دو اقلیم متفاوت و با دو نوع ورودی برای مدل ها استفاده شده است. به منظور مدل سازی با سری زمانی از 5 گام تأخیر زمانی و برای داده های هواشناسی از اطلاعات کمینه ماهانه دمای هوا، بیشینه ماهانه دمای هوا، مجموع بارندگی ماهانه و میانگین تراز آب زیرزمینی استفاده شده است. برای هر کدام از دشت ها 20 پیزومتر (در دشت تبریز با طول آماری 12 سال و در دشت رفسنجان با طول آماری 11 سال) انتخاب شد. از میانگین داده های هواشناسی ایستگاه های هواشناسی که دارای منطبق ترین طول دوره ی آماری با پیزومترها بودند استفاده شد. نتایج به دست آمده نشان داد که در مدل سازی با ورودی سری زمانی شبکه عصبی مصنوعی دشت تبریز کمترین مقدار خطا (NRMSE) برابر 007/0 و در دشت رفسنجان برابر 001/0 بود. نتایج به دست آمده برای شبکه عصبی فازی در اکثر پیزومترها در هر دو دشت بهتر از عصبی مصنوعی بود. با اجرای شبکه عصبی موجک مقدار خطا و ضریب همبستگی در هر دو دشت بسیار بهبود یافت. در دشت تبریز کمترین مقدار NRMSE 001/0 و در دشت رفسنجان 0006/0 به دست آمد. در تمام پیزومترهای دشت رفسنجان با شبکه عصبی موجک مقدار ضریب همبستگی 99/0 بود و در دشت تبریز در تمام پیزومترها مقدار r افزایش چشمگیری داشت. نتایج شبکه عصبی موجک فازی در هر دو دشت تفاوت چندانی با شبکه عصبی موجک نداشت. می توان گفت که در ورودی سری زمانی دشت رفسنجان در هر چهار مدل بهتر از تبریز بوده و شبکه عصبی فازی بهتر از عصبی و عصبی موجک بهتر از این دو عمل نمود.در نتایج به دست آمده با ورودی هواشناسی شبکه عصبی تبریز کمترین مقدار خطا 03/0 و در دشت رفسنجان 007/0 بود که نسبت به شبکه عصبی مصنوعی با ورودی سری زمانی بیشتر است. ضریب همبستگی در هر دو دشت در اکثر پیزومترها نسبت به شبکه عصبی مصنوعی با ورودی سری زمانی کمتر بود. هر چند استفاده از موجک باعث بهبود نتایج در شبکه عصبی و عصبی-فازی شد اما نسبت به ورودی سری زمانی از دقت کمتری برخوردار بود. کمترین مقدار خطای به دست آمده در دشت تبریز و رفسنجان در ورودی داده های هواشناسی 006/0 و 002/0 مشاهده گردید. عملکرد شبکه های هوشمند در دشت رفسنجان بهتر از دشت تب