The efficiency of Data-Driven Models for Months ahead Groundwater Level Forecasting Using a Hybrid Gamma Test and Genetic Algorithm Model

Abstract

In order to implement sustainable groundwater resources management, it is necessary to model the behavior of groundwater level. Groundwater is a nonlinear and complex system which Data-driven models can be modeled this system without approximation and simplification. This study evaluates the performances of data-driven models (Support Vector Regression (SVR) and Artificial Neural Network (ANN)) for forecasting groundwater levels of Hashtgerd plain at 1, 2 and 3 months ahead. One of the most important steps in constructing data-driven models is determining the optimal combination of input variables. In this paper, the optimal composition was determined using the hybrid of gamma test and genetic algorithm, also the optimal length of input composition in teaching period was determined using the M-test method. The results of this study showed that the models for 1 month ahead performed better than for 2 and 3 months ahead forecasts and the accuracy of the models decreased as months ahead increased. The Developed Discrepancy Ratio (DDR) was applied to evaluate the efficiency of models. The results showed that the ANFIS model had the best performance for one month ahead groundwater level forecasting. Also, the results demonstrated that the ANFIS and MLP models were able to provide better performance in groundwater levels forecasting for a shorter-time period (e.g., 1 month ahead). The performance of the SVR model for a longer-time period (e.g., 3 month ahead) was superior to the MLP and ANFIS models.

Keywords

Main Subjects

References

بسالت پور.ع.الف.، حاج عباسی. م.ع.، ایوبی.ش.،1392، استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی، مجله پژوهش های حفاظت آب و خاک، جلد بیستم، شماره اول.
رمضانی چرمهینه.ع.، ذونعمت کرمانی.م.، 1396، بررسی کارایی روش های رگرسیون بردار پشتیبان و شبکه عصبی پرسپترون چند لایه و رگرسیون خطی چند متغیره بمنظور پیش بینی تراز سطح آب زیرزمینی، پژوهشنامه مدیریت حوزه آبخیز، سال هشتم، شماره15.
شرکت آب منطقه­ای البرز، 1395، گزارش ممنوعیت دشت هشتگرد، شرکت مدیریت منابع آب ایران، وزارت نیرو.
کامرانی.ص.، رضایی.م.، 1394، ارزیابی کیفی آب زیرزمینی در دشت لنجانات با روش فازی تاکاگی – سوگنو، مجله زمین شناسی کاربردی پیشرفته، دوره 5، شماره 16،ص 32-24.
کیا.ع. عمادی.ع.ر.، فضل اولی.ر.،1394، بررسی امکان کاربرد سیستم استنتاج فازی - عصبی تطبیقی (ANFIS) در برآورد بار رسوب معلق بابلرود، پژوهشنامه مدیریت حوزه آبخیز، سال ششم، شماره 3.
قبائی سوق. م.، مساعدی.الف.، حسام. م.، هزارجریبی.الف.،1389، ارزیابی تأثیر پیش­پردازش پارامترهای ورودی به شبکه عصبی مصنوعی با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریعتر تبخیر و تعرق روزانه،نشریه آب و خاک، جلد 24 ، شماره 3،ص57-69.
نخعی.م.، صابری.الف.،1391، پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی ، مجله زمین شناسی کاربردی پیشرفته، دوره 2، شماره 4،ص 58-47.
نخعی.م.، ودیعتی.م.،1391، کاربرد مدل استنتاج فازی در ارزیابی کیفیت آب قنات‌ جهت مصارف شرب و کشاورزی (مطالعه موردی: استان تهران)، مجله زمین شناسی کاربردی پیشرفته، دوره 2، شماره 6،ص 52-44.
Adamowski.J., Chan.HF., 2011,A Wavelet Neural Network Conjunction Model For Groundwater Level Forecasting, Journal of Hydrology,No:407, P:28–40
Choubin.B., Malekian.A., 2017, Combined gamma and M-test-based ANN and ARIMA models for groundwater fluctuation forecasting in semiarid regions, Environ Earth Science No:17, P:670-80
Daliakopoulos.I.N., Coulibaly.P., Tsanis.I.K., 2005. Groundwater level forecasting using artificial neural networks, Journal Hydrology, Vol:309, No:1–4, P:229–240
Durrant.P.J., 2001,Wingamma A Non-Linear Data Analysis and Modelling Tool With Applications To Flood Prediction, PhD Thesis,  Department of Computer Science, Cardiff University, Wales, UK
Huang.G.B., 2003, Learning Capability and Storage Capacity of Two-Hidden-Layer Feed Forward Networks, IEEE Transactions on Neural Networks, No:14, p:274–281
Kecman.V., 2005, Support Vector Machines: An Introduction, Theory and Applications, Springer-Verlag, New York. No:4, P:1-48
Koncar.N., 1997,Optimisation Methodologies for Direct Inverse Neurocontrol, PhD Thesis, Department of Computing, Imperial College of Science, Technology and Medicine, University of London.
Marquez. R., Coimbra .C.F.M.,2011,Forecasting of Global And Direct Solar Irradiance Using Stochastic Learning Methods Ground Experiments and The NWS Database, Solar Energy, No:85, P:746-56
Moghaddam., A.,Nadiri. A., 2008, An ANN-Based Model For Spatiotemporal Groundwater Level Forecasting, Hydrololgy Process, No: 22, P:5054–5066
Nayak.P., Sudheer. K., Rangan.D., Ramasastri. K., 2004, A Neuro-Fuzzy Computing Technique For Modeling Hydrological Time Series, Journal Hydrology, No: 291, P:52–66
Noori.R., Karbassi.A.R., Moghaddamnia.A., Zokaei-Ashtiani.M., Farokhnia.A., 2011, Assessment Of Input Variables Determination On The SVM Model Performance Using PCA, Gamma Test And Forward Selection Techniques For Monthly Stream Flow Prediction,  Journal of Hydrology, No: 401, P:177–189
Nourani.V., Mousavi.S., 2016, Spatiotemporal Groundwater Level Modeling Using Hybrid Artificial Intelligence-Meshless Method,  Journal of Hydrology, No:536, P:10–25
Remesan.R., Mathew.J., 2015, Hydrological Data-Driven Models (A Case Study Approach), Springer International Publishing Switzerland, 249P
.B., Vafakhah.M., Moosavi.V., Moghaddamnia.A., 2016, Application of Several Data-Driven Techniques For Predicting Groundwater Level. Water Resources Management, No: 27, P:419–432
Wilson.I., Jones.A., Jenkins.D., Ware.J., 2004, Predicting Housing Value: Genetic Algorithm Attribute Selection and Dependence Modeling Utilizing The Gamma Test, Applications of Artificial Intelligence in Finance and Economics, No:19, P:243–275
Yu.H., Wen.X., Feng.Q., Deo.R.C, Si.J., Wu.M., 2018, Comparative Study of Hybrid-Wavelet Artificial Intelligence Models For Monthly Groundwater Depth Forecasting In Extreme Arid Regions, Northwest China. Water Resources Management, No:32, P:301-323
Banerjee.P., Singh.V.S., Chatttopadhyay.K., Chandra.P.C., Singh.B., 2011, Artificial neural network model as a potential alternative for groundwater salinity forecasting, Journal of Hydrology, No:398, P: 212–220
Suryanarayana.C., Sudheer.C., Mahammood. V., Panigrahi.B., 2014, An Integrated Wavelet-Support Vector Machine For Groundwater Level Prediction In Visakhapatnam, India, Neurocomputing, No:145, P:324-335
Advanced Applied Geology
Volume 8, Issue 2
July 2018
Pages 62-72

Files

Share

How to cite

Statistics