fa مدل سازی نوسانات روزانه سطح آب دریاچه ارومیه با استفاده از مدل ماشین یادگیری افراطی تخصصي Special پژوهشي Research <p dir="RTL"><strong>در دهه&shy;های اخیر به دلیل افزایش بی&shy;رویه برداشت از منابع آب سطحی و زیرزمینی، جلوگیری از ورود منابع آب سطحی به دریاچه ارومیه و همچنین تغییرات اقلیمی، سطح آب دریاچه ارومیه کاهش یافته و سبب ایجاد بحران آبی و زیست محیطی در منطقه گردیده است. بنابراین، مدل&shy;سازی نوسانات سطح آب دریاچه ارومیه برای برنامه&shy;ریزی و مدیریت منابع آب آن ضروری می&shy;باشد. هدف از این تحقیق پیش&shy;بینی نوسانات سطح آب دریاچه ارومیه برای یک، سه و هفت روز آینده با استفاده از مدل ماشین یادگیری افراطی است. برای مقایسه کارایی این مدل از مدل&shy;های شبکه عصبی مصنوعی و سامانه</strong> <strong>استنتاج</strong> <strong>فازی</strong><span dir="LTR">-</span><strong>عصبی</strong> <strong>تطبیقی استفاده گردید. برای این منظور، از داده&shy;های روزانه سطح آب دریاچه(آذر ماه 1344- آذر ماه 1391) استفاده گردید. برای توسعه مدل&shy;ها، از داده&shy;های سطح آب روز جاری و شش روز گذشته دریاچه ارومیه به عنوان ورودی مدل&shy;ها به منظور پیش بینی سطح آب یک</strong><strong><span dir="LTR">[h (t+1)]</span></strong><strong>، سه</strong><strong><span dir="LTR">[h (t+3)]</span></strong><strong> و هفت</strong><strong><span dir="LTR">[h (t+7)]</span></strong><strong> روز آینده استفاده گردید. داده&shy;ها به دو دسته آموزش/اعتبارسنجی (85 درصد) و آزمایش (15 درصد) تقسیم گردید و پس از مدل&shy;سازی عملکرد مدل&shy;ها بر اساس پارامترهای </strong><strong>ضریب تعیین(</strong><strong><span dir="LTR">R²</span></strong><strong>)، جذر میانگین مربعات خطا(</strong><strong><span dir="LTR">RMSE</span></strong><strong>) و ضریب نش- ساتکلیف(</strong><strong><span dir="LTR">NSC</span></strong><strong>)</strong><strong> ارزیابی گردید. </strong><strong>نتایج نشان داد که مدل ماشین یادگیری افراطی با مقادیر </strong><strong><span dir="LTR">R²</span></strong><strong>، </strong><strong><span dir="LTR">RMSE</span></strong><strong> و </strong><strong><span dir="LTR">NSC</span></strong><strong> به ترتیب برابر با 9995/0، 0151/0 متر و 9995/0 برای مدل&shy;سازی یک روز آینده سطح آب دریاچه در مقایسه با مدل&shy;های شبکه عصبی مصنوعی و </strong><strong>سامانه</strong> <strong>استنتاج</strong> <strong>فازی</strong><span dir="LTR">-</span><strong>عصبی</strong> <strong>تطبیقی </strong><strong>عملکرد بهتری دارند.</strong><strong> همچنین </strong><strong>در این تحقیق مشاهده گردید که مدل&shy;های ماشین یادگیری افراطی خیلی سریع&shy;تر از مدل&shy;های دیگر، یادگیری در مرحله آموزش را سپری می&shy;کنند حال آنکه مدل&shy;های فازی- عصبی </strong><strong>تطبیقی</strong><strong> زمان بیشتری را برای مرحله آموزش صرف کردند.</strong></p> <p>In recent decades, the water level of the Urmia Lake has decreased due to over utilization of surface and groundwater resources, prevention of surface water resources discharges to the Urmia Lake and also climate changes, which caused water and environmental crisis in the region. Therefore, modeling Lake level fluctuations is essential for its water resources planning and management. The aim of the study is to forecast the Urmia Lake water level fluctuations for one, three and seven days ahead using extreme learning machine (ELM). Also, the artificial neural network (ANN) and adaptive neuro fuzzy inference system (ANFIS) models used to compare the ability of ELM. For this purpose, the daily water level (Dec 1965- Nov 2012) of the lake was used. To develop the models, the six days water level lags as the inputs used for forecasting the one [h(t+1)], three [h(t+3)] and seven [h(t+7)] days ahead water levels. The data sets were divided into two subsets training/validation (85%) and testing (15%) and after modeling, the performance of the models were evaluated based on coefficient of determination (R²), root mean square errors (RMSE) and Nash&ndash;Sutcliffe coefficient (NSC). The results showed that the ELM model for one-step-ahead water level modeling with R² = 0.9995, RMSE = 0.0151 m and NSC = 0.9995 respectively, outperformed in comparison with ANN and ANFIS models. Also, it was observed that ELM models learned faster than the other models during model development trials whereas the ANFIS models had the highest computation time.</p> دریاچه ارومیه, سطح آب, ماشین یادگیری افراطی, مدل سازی Urmia Lake, Water level, Extreme learning machine, Modeling 47 60 http://jwmsei.ir/browse.php?a_code=A-10-419-4&slc_lang=fa&sid=1 Asghar Asghari Moghaddam اصغر اصغری مقدم moghaddam@tabrizu.ac.ir 10031947532846009958 10031947532846009958 Yes University of Tabriz دانشگاه تبریز Rahim Barzegar رحیم برزگر rm.barzegar@yahoo.com 10031947532846009959 10031947532846009959 No University of Tabriz دانشگاه تبریز Shahla Soltani شهلا سلطانی sh.soltani.d@gmail.com 10031947532846009960 10031947532846009960 No University of Tabriz دانشگاه تبریز