دانشگاه تبریز نشریه مهندسی عمران و محیط زیست 2008-7918 46 84 2016 11 21 Supervised Intelligent Committee Machine Method for Groundwater Level Prediction استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی 101 112 5604 FA عطاالله ندیری دانشکده علوم طبیعی، دانشگاه تبریز فاطمه واحدی دانشجوی کارشناسی ارشد دانشکده علوم طبیعی، دانشگاه تبریز اصغر اصغری مقدم دانشکده علوم طبیعی، دانشگاه تبریز علی کدخدایی دانشکده علوم طبیعی، دانشگاه تبریز Journal Article 2017 01 16 Groundwater is an important water resource supplying agricultural, domestic, and industrial needs. Hence, studying and investigation of this vital source is necessary. Over extraction of groundwater cause adverse effects, such as major water level declines [1], consequently water-quality degradation, land subsidence [2], and saltwater intrusion. Therefore, accurate prediction of groundwater level will help planer and managers of water resources and prevent the mentioned effects. The literature shows the success of using artificial intelligence (AI) models in the field of groundwater level such as artificial neural network (ANN) [3], fuzzy logic (FL) [4], and support vector machine (SVM) [5]. Although several studies are reported in the literature that use Supervised committee machine artificial intelligence (SCMAI) as a modeling technique in the field of hydrology e.g. [6] to combine the results of different models to reap the advantages of all AI. This study applied a supervised committee machine with an artificial intelligent (SCMAI) method that replaces linear combination with an artificial neural network. In the SCMAI the ANN receives individual model estimations as input variables and re-predicts the groundwater level. <br />The Meshginshahr plain is located in Northwest Iran in the Province of Ardabil (Fig. 1). The aquifer of this plain is unconfined. The prevailing climate in this plain is semiarid-cold. The average annual temperature and rainfall are 11.66 ˚C and 292 mm respectively. Sabalan Mount with the height of 4814 meters asml, is the highest point in the study area منابع آب زیرزمینی از مهم­ترین منابع تأمین آب هستند، لذا مدل­سازی آن­ها حائز اهمیت می­باشد. در این میان مطالعه و بررسی نوسانات سطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازه­های مهندسی، مصارف کشاورزی و حصول آب­های زیرزمینی با کیفیت بالا از اهمیت بالایی برخوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگین­شهر نیز از طریق آب زیرزمینی تأمین می­شود. در این تحقیق چهار مدل هوش مصنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشین­بردار پشتیبان برای پیش­بینی سطح آب زیرزمینی استفاده شدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدل­های مختلف در مراحل مختلف مدل­سازی نتایج متفاوتی ارائه دادند، انتخاب یکی از مدل­ها به عنوان مدل منتخب معقول به نظر نمی­رسید. لذا از ترکیب غیر خطی این چهار مدل که مدل هوش مصنوعی مرکب نظارت شده نامیده می­شود، برای ترکیب نتایج این مدل­ها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدل­های مختلف به طور هم­زمان استفاده شود. به منظور ارزیابی کارایی و دقت مدل­ها در پیش­بینی، از دو معیار مختلف RMSE و R² استفاده شد. نتایج نشان دادند که مدل SCMAI با مقادیر R² برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 2 در مرحله آموزش بهترین پیش­بینی را نسبت به هر کدام از چهار مدل منفرد هوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSE پیش­بینی را تا 9% درصد برای پیزومتر شماره یک و 17% درصد برای پیزومتر شماره دو کاهش دهد. https://ceej.tabrizu.ac.ir/article_5604_8a88dc20cfe9e568f6dbf220c095748a.pdf