رحیم برزگر - دانشجوی دکتری هیدروژئولوژی، دانشکده علوم طبیعی، دانشگاه تبریز
اصغر اصغری مقدم - استاد گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز
الهام فیجانی - استادیار دانشکده زمین شناسی، پردیس علوم، دانشگاه تهران

در سال­های اخیر کاهش سطح آب دریاچه ارومیه سبب ایجاد بحران آبی و زیست­محیطی در منطقه گردیده است. بنابراین ضروری است که مدیریت و برنامه­ریزی صحیح و قابل­اعتماد در این زمینه صورت گیرد که لازمه آن مدل­سازی سطح آب دریاچه برای آینده می­باشد. در این تحقیق از روش­های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان (SVM) برای پیش­بینی سطح آب یک [h (t+۱)]، دو [h (t+۲)] و سه  [h (t+۳)] ماه آینده دریاچه ارومیه استفاده گردید و در نهایت از یک مدل هوش مصنوعی مرکب نظارت شده (SCMAI) برای رسیدن به یک عملکرد بهتر از مدل­های منفرد به­کار گرفته شده، استفاده شد. برای مدل­سازی، اطلاعات سطح آب ماه جاری  [h (t)]و یازده ماه گذشته [h (t-۱),…, h (t-۱۱)] به­عنوان ورودی و سطح آب یک، دو و سه ماه آینده به­عنوان خروجی مدل­ها در نظر گرفته شدند. داده­ها به دو دسته داده­های آموزش/ اعتبارسنجی (۹۰ درصد کل داده­ها) و داده­های آزمایش (۱۰ درصد کل داده­ها) تقسیم­بندی گردیدند و پس از مدل­سازی، عملکرد مدل­ها بر اساس پارامترهای ضریب تعیین (R۲)، جذر میانگین مربعات خطا (RMSE) و میانگین مطلق خطا (MAE) ارزیابی شدند. نتایج نشان دادند که مدل­های بردار پشتیبان عملکرد بهتری نسبت به مدل­های شبکه عصبی مصنوعی و عصبی- فازی دارند. مدل هوش مصنوعی مرکب نظارت شده به­منظور ترکیب نتایج مدل­های مختلف به­کار گرفته شد و نشان داد که مدل­های هوش مصنوعی مرکب نظارت شده قادرند کارایی مدل­های منفرد هوش مصنوعی را بهبود بخشند. نتایج معیارهای عملکرد مدل­ هوش مصنوعی مرکب نظارت شده بیان می­کند که مدل­سازی یک ماه آینده سطح آب با مقادیر R۲، RMSE و MAE به­ترتیب برابر با ۹۸۹۶/۰، ۰۵۴۷/۰ متر و ۰۴۲۱/۰ متر در مقایسه با مدل بردار پشتیبان عملکرد بهتری دارد که این عملکرد برای پیش­بینی­های دو و سه ماه آینده سطح آب دریاچه نیز صادق می­باشد.

پیش بینی, سطح آب, هوش مصنوعی مرکب نظارت شده, دریاچه ارومیه, ماشین بردار پشتیبان