Wetland Ecobiology

fa پیش بینی ماهانه سطح آب زیرزمینی آبخوان نهاوند با بکارگیری مدل یادگیری عمیق و ماشین بردار پشتیبان Monthly Groundwater Level Prediction in the Nahavand Aquifer Using Deep Learning and Support Vector Machine (SVM) Models تخصصي Special پژوهشي Research <div style="text-align: justify;">کاهش بارندگی و بهره‌برداری بی‌رویه از منابع آب زیرزمینی موجب افت قابل‌توجه تراز سطح آب زیرزمینی در بسیاری از مناطق جهان شده است. یکی از آبخوانهایی که با افت سطح آب زیرزمینی مواجه هست، آبخوان نهاوند در استان همدان و غرب ایران میباشد. برای مدلسازی تراز سطح آب زیرزمینی، مدلهای حافظه کوتاه مدت طولانی LSTM)) و ماشین بردار پشتیبان (SVM) به کار گرفته شد. آنالیز حساسیت تراز سطح آب زیرزمینی یک ماه آینده نسبت به تغییرات متغیرهای ورودی دو مدل LSTM و SVM نشان داد که مقادیر بارش، دمای هوا، تیخیر و تعرق و تراز سطح آب زیرزمینی تا دو ماه قبل، متغیرهای موثر ورودی هستند. نتایج مدلسازی با مدل SVM نشان داد که تابع کرنل پایه شعاعی در مدل SVM بهترین تابع کرنل نسبت به توابع کرنل خطی و چندجمله ای می باشد. مقایسه نتایج مدلهای هوشمند نشان داد که مدل SVM عملکرد بهتری نسبت به مدل LSTM داشته است. نتایج نشان داد که برای دوره زمانی آزمون مدل LSTM ضریب R2و RMSE به ترتیب 87/0 و 043/0 بدست آمد. همچنین برای دوره زمانی آزمون مدل SVM ضریب R2و RMSE به ترتیب 89/0 و 042/0 بدست آمد. بهطور کلی میتوان گفت که عملکرد مدل SVM برای پیش بینی تراز سطح آب زیرزمینی آبخوان نهاوند بسیار مناسب بوده و قابلیت این را دارد که برای بررسی سطح آّب زیرزمینی آبخوانهای دیگر نیز استفاده شود. </div>   <div style="text-align: justify;">Decline in rainfall and excessive exploitation of groundwater resources have led to a significant drop in groundwater levels in many regions of the world. One of the aquifers facing groundwater depletion is the Nahavand aquifer, located in Hamadan Province in western Iran. To model groundwater level fluctuations, Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) models were employed. Sensitivity analysis of groundwater level prediction for the following month, with respect to variations in the input variables of the two models, indicated that precipitation, air temperature, evapotranspiration, and groundwater levels up to two months prior are the most influential input variables. Modeling results using the SVM model showed that the radial basis function (RBF) kernel outperformed linear and polynomial kernels. Comparison of the intelligent models demonstrated that the SVM model achieved better performance than the LSTM model. The results revealed that, for the test period, the LSTM model yielded R² = 0.87 and RMSE = 0.043, while the SVM model achieved R² = 0.89 and RMSE = 0.042. Overall, it can be concluded that the SVM model is highly suitable for predicting groundwater levels in the Nahavand aquifer and has the potential to be applied to other aquifers as well.</div> پیش بینی, سطح آب زیرزمینی, آبخوان نهاوند, LSTM, SVM. Prediction, Groundwater level, Nahavand aqufer, LSTM, SVM. 37 54 http://jweb.ahvaz.iau.ir/browse.php?a_code=A-10-802-1&slc_lang=fa&sid=1 Somaye Abdi سمیه عبدی abdi.s202020@gmail.com 10031947532846007359 10031947532846007359 No دانشگاه آزاد اسلامی Hossein Fathian حسین فتحیان fathian.h58@gmail.com 10031947532846007360 10031947532846007360 Yes دانشگاه آزاد اسلامی Mehdi Asadi Lour مهدی اسدی لور 10031947532846007361 10031947532846007361 No دانشگاه آزاد اسلامی Aslan Igdernejad اصلان اگدرنژاد 10031947532846007362 10031947532846007362 No دانشگاه آزاد اسلامی Ali Asareh علی عصاره 10031947532846007363 10031947532846007363 No دانشگاه آزاد اسلامی