TY - JOUR T1 - Prediction of Groundwater Level Changes Using Hybrid Wavelet Self- Adaptive Extreme Learning Machine Model- Observation Well of Sarab Qanbar, Kermanshah TT - پیش‌بینی تغییرات تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک- ماشین آموزش نیرومند خودتطبیقی- چاه مشاهداتی سراب قنبر کرمانشاه JF - JSTNAR JO - JSTNAR VL - 23 IS - 4 UR - http://jstnar.iut.ac.ir/article-1-3803-fa.html Y1 - 2020 SP - 267 EP - 283 KW - Groundwater level KW - Self- Adaptive Extreme Learning Machine (SAELM) KW - Uncertainty analysis KW - Wavelet transform N2 - در این مطالعه، سطح آب زیر‌زمینی در منطقه سراب قنبر- واقع در جنوب شهر کرمانشاه، کشور ایران- با استفاده از مدل موجک ماشین آموزش نیرومند خودتطبیقی (WA-SAELM) تخمین زده شد. برای توسعه مدل عددی از روش هوش مصنوعی و جدید ماشین آموزش نیرومند خودتطبیقی و تبدیل موجک استفاده شد. در ابتدا، با استفاده از تابع خود‌همبستگی، خود‌همبستگی نسبی و تأخیرهای مؤثر، هشت مدل مختلف SAELM و WA-SAELM متمایز توسعه داده شدند، سپس مقادیر تراز آب زیرزمینی چاه مشاهداتی نرمال‌سازی شدند. در ادامه، با تجزیه‌و‌تحلیل نتایج مدل‌سازی، بهینه‌ترین خانواده موجک برای مدل‌سازی انتخاب شد. با ارزیابی نتایج مدل‌های SAELM و WA-SAELM مشخص شد که مدل‌های WA-SAELM در مقایسه با مدل‌های SAELM مقادیر تابع هدف را با دقت بیشتری تخمین زدند. سپس مدل برتر بر اساس دقت آن در پیش‌بینی تراز آب زیرزمینی انتخاب شد. به‌عنوان مثال در حالت تست، مقادیر R، MAE و NSC برای مدل برتر به‌ترتیب برابر 995/0، 988/0 و 990/0 محاسبه شدند. همچنین برای مدل‌های عددی، تحلیل عدم قطعیت انجام و نشان داده شد که مدل برتر مقادیر مشاهداتی را کمتر از مقدار واقعی تخمین زده است. M3 10.47176/jwss.23.4.40501 ER -