fa مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش‌بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین) تخصصي Special پژوهشي Research <p style="text-align: justify;"><strong>خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره‌های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (</strong><strong><span dir="LTR">GRI</span></strong><strong>) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می‌شود. تاکنون روش‌ها و مدل‌های مختلفی برای پیش‌بینی و مدل‌سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می‌باشد می‌توان به جای استفاده از یک مدل؛ ترکیبی از مدل‌های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش‌بینی مناسبت‌تر و قابل اعتماد‌تری دست یافت. در این تحقیق پس از محاسبه مقادیر </strong><strong><span dir="LTR">GRI</span></strong><strong> طی دوره آماری(1363-1390) در جنوب استان قزوین و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی، دبی، تبخیروتعرق پتانسیل، دما (میانگین، ماکزیمم، مینیمم)) و&nbsp; سیگنال</strong><strong><span dir="LTR">‌</span></strong><strong>های اقلیمی ( </strong><strong><span dir="LTR">MEI</span></strong><strong>، </strong><strong><span dir="LTR">SOI</span></strong><strong>، </strong><strong><span dir="LTR">AMM</span></strong><strong>، </strong><strong><span dir="LTR">AMO</span></strong><strong> و </strong><strong><span dir="LTR">PDO</span></strong><strong>)، با استفاده از آزمون&nbsp; گاما در سه ساختار ترکیب ورودی، اقدام به مدل‌سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی </strong><strong><span dir="LTR">SOI</span></strong><strong> و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر </strong><strong><span dir="LTR">GRI</span></strong><strong> می‌باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سری</strong><strong><span dir="LTR">‌</span></strong><strong>زمانی</strong><strong><span dir="LTR">ARIMA(1,1,3)(2,0,1)</span></strong><strong> با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل‌سازی با مدل ترکیبی </strong><strong><span dir="LTR">ANN-ARIMA</span></strong><strong> انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. </strong><strong><span dir="LTR">(R²=0.94, RMSE= 0.05)</span></strong></p> <p>Groundwater drought is one of the drought types that caused by lack of sufficient groundwater recharge. Groundwater Resources Index (GRI) is a method to express the state of this type of drought using ground water level data. Various methods and models have been presented in order to forecast and model, but selecting a reliable model is a difficult task. So, it would be better to use a combination of acceptable models instead of using just one model. In this study, the GRI values over 1984-2011 period&nbsp; were calculated in south of Qazvin province and its relationship with meteorological parameters such as precipitation, discharge, evapotranspiration, temperature (Mean, Max, Min) and large scale climate signals (MEI, SOI, AMM, AMO, PDO) was modeled by artificial neural network based on the Gamma test and in three structures. The results show that SOI and temperature have higher significant correlation with GRI values and also using the meteorological parameters as input parameters lead to improving the artificial neural network performance. Moreover, the ARIMA (1, 1, 3) (2, 0, 1) was selected for forecasting of GRI based on evaluation measures such as AIC and SBC. Finally, ANN-ARIMA modeling revealed better performance compared with the ANN and ARIMA(R²=0.94, RMSE= 0.05).</p> شبکه عصبی مصنوعی, سری زمانی, آزمون گاما,GRI,SOI, قزوین. Artificial Neural Network, Time Series, Gamma Test, GRI, SOI, Qazvin. 47 57 http://jwmsei.ir/browse.php?a_code=A-10-338-1&slc_lang=fa&sid=1 Fatemeh Maghsoud فاطمه مقصود f.maghsoud@modares.ac.ir 10031947532846006460 10031947532846006460 Yes دانشگاه تربیت مدرس Mohammad reza yazdani محمدرضا یزدانی 10031947532846006461 10031947532846006461 No دانشگاه سمنان Mohammad rahimi محمد رحیمی 10031947532846006462 10031947532846006462 No دانشگاه سمنان Arash Malekian آرش ملکیان 10031947532846006463 10031947532846006463 No دانشگاه تهران Ali Zolfaghari علی ذوالفقاری 10031947532846006464 10031947532846006464 No دانشگاه سمنان