Journal of Rainwater Catchment Systems

fa تعیین بهترین چاههای مشاهده‌ای جهت پیش‌بینی عمق آب زیرزمینی با استفاده از سیستم استنتاج فازی-عصبی بر اساس الگوریتم های مختلف یادگیری Determining the best observation wells to predict groundwater depth using ANFIS based on different training algorithms تخصصي Special پژوهشي Research جهت مدیریت موثر و بهینه منابع آب زیرزمینی، انجام پیش‌بینی‌های دقیق نسبت به جمیع شرایط حاکم بر آبخوان‌ها و در رأس آن نوسانات عمق و تراز آب زیرزمینی، ضروری می‌باشد. هدف از انجام این مطالعه که در محدوده قُطب‌آباد از توابع شهرستان جهرم واقع در استان فارس انجام شده‌ است، شناسایی چاه‌هایی است که بهترین پیش‌بینی را برای عمق آب زیرزمینی در چاه‌های دیگر ممکن می‌سازند. جهت نیل به این هدف در مطالعه حاضر، از سیستم استنتاج فازی – عصبی تطبیقی (ANFIS) به همراه الگوریتم‌های یادگیری مختلف (Hybrid, GA, PSO) استفاده شده ‌است. به این منظور، اطلاعات عمق آب زیرزمینی مربوط به 7 چاه مشاهده‌ای موجود در سطح دشت، در بازه زمانی مهر ماه 1387 الی شهریورماه 1403 بکار گرفته شده‌ است. جهت سنجش دقت مدل‌ها از شاخـص‌های جـذر میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین قدر مطلق خطا (MAE) استفاده شده ‌است. بر این اساس، چاه مشاهده‌ای شماره 2 به‌عنوان قوی‌ترین تخمینگر به‌ترتیب برای چاه‌های مشاهده‌ای شماره 1 و 4 و چاه مشاهده‌ای شماره 5 به‌عنوان ضعیف‌ترین تخمینگر به‌ترتیب برای چاه‌های 3 و 6 انتخاب شده‌اند. همچنین چاه مشاهده‌ای شماره 4 به‌عنوان یک تخمینگر متوسط، عنوان بهترین تخمینگر برای چاه‌های شماره 2، 5 و 7 و دومین تخمینگر بهینه، برای چاه‌های 1، 3 و 6 کسب نموده ‌است، لذا به‌عنوان یک وجه تمایز با سایر چاه‌ها، این چاه همواره رتبه اول و یا دوم را در تخمین عمق آب زیرزمینی برای سایر چاه‌های مشاهده‌ای به‌دست آورده است. در این میان قوی‌ترین رابطه خطی بین مقادیر مشاهده شده و پیش‌بینی شده عمق آب زیرزمینی، برای چاه مشاهده‌ای شماره 4 با متوسط ضریب تعیین 9945/0 برای سه روش یادگیری مذکور به‌دست آمده ‌است و ضعیف‌ترین رابطه خطی نیز برای چاه مشاهده‌ای شماره 3 با متوسط ضریب تعیین 7435/0 برای همان سه روش یادگیری حاصل شده‌ ‌است. در مجموع روش هیبرید، ضمن دارا بودن بیشترین سرعت در اجرا، به‌عنوان دقیق‌ترین روش و روش ژنتیک الگوریتم، با کسب بیشترین زمان اجرا، به‌عنوان کم دقت‌ترین روش، معرفی می‌شوند. For the effective and optimal management of groundwater resources, accurate predictions considering all prevailing conditions in aquifers, particularly fluctuations in groundwater level and depth, are essential. The objective of this study, conducted in the Qotbabad region of Jahrom County, Fars Province, is to identify observation wells that provide the most reliable predictions of groundwater depth in other wells. To achieve this, the Adaptive Neuro-Fuzzy Inference System (ANFIS) was employed, in combination with various training algorithms including Hybrid, Genetic Algorithm (GA), and Particle Swarm Optimization (PSO). Groundwater depth data from seven observation wells across the plain were used, covering the period from October 2008 to September 2024. To evaluate model accuracy, statistical indices such as Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), and Mean Absolute Error (MAE) were utilized. Based on the results, observation well No. 2 was identified as the most accurate predictor for wells No. 1 and 4, while well No. 5 was identified as the least accurate predictor for wells No. 3 and 6. Additionally, observation well No. 4, classified as a moderately accurate predictor, demonstrated the best predictive performance for wells No. 2, 5, and 7, and ranked second-best for wells No. 1, 3, and 6. This consistent ranking as either the top or second-best predictor sets well No. 4 apart from the others. Among all wells, the strongest linear relationship between observed and predicted groundwater depths was obtained for well No. 4, with an average coefficient of determination (R²) of 0.9945 across the three training algorithms. Conversely, the weakest relationship was found for well No. 3, with an average R² of 0.7435. Overall, the Hybrid method proved to be the most accurate and the fastest to execute, whereas the Genetic Algorithm method, having the most execution time, exhibited the lowest predictive accuracy. آب زیرزمینی, مدل‌ فازی عصبی تطبیقی, الگوریتم یادگیری, شاخص خطا Groundwater, Adaptive Neouro- Fuzzy Inference System, Training Algorithme, Error Index 119 139 http://jircsa.ir/browse.php?a_code=A-10-1846-3&slc_lang=fa&sid=1 Abbas Sedghamiz عباس صدق آمیز sedghamiz@gmail.com 10031947532846005822 0009-0004-2566-9656 Yes Assistant Professor, Department of Irrigation Technology, Collage of Agriculture and Natural Resources of Darab, Shiraz University, Iran, Email: sedghamiz@shirazu.ac.ir 1. استادیار، بخش تکنولوژی آبیاری، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، ایران، sedghamiz@shirazu.ac.ir