fa پیش بینی تراز آب زیرزمینی حوضه آبریز شریف آباد قم با استفاده از مدل های موجک عصبی و برنامه ریزی ژنتیک پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>در این تحقیق پیش­بینی تراز آب زیرزمینی حوضه آبریز شریف­آباد </strong><strong>استان قم </strong><strong>با بهره­گیری از </strong><strong>برخی </strong><strong>مدل­های هوشمند می­باشد. به این منظور </strong><strong>از داده­های ماهیانه تراز آب زیرزمینی در سه حلقه چاه</strong> <strong>مشاهده­ای واقع در حوضه آبریز شریف­آباد در مدل سازی­ها استفاده شده است. جهت مقایسه نتایج حاصل از مدل­های هیبرید آنالیز موجک-شبکه عصبی (</strong><strong><span dir="LTR">WNN</span></strong><strong>)، برنامه­ریزی ژنتیک (</strong><strong><span dir="LTR">GP</span></strong><strong>)، رگرسیون خطی چند متغیره (</strong><strong><span dir="LTR">MLR</span></strong><strong>) و شبکه عصبی مصنوعی (</strong><strong><span dir="LTR">ANN</span></strong><strong>) از دو معیار ریشه خطای مربع متوسط (</strong><strong><span dir="LTR">RMSE</span></strong><strong>) و ضریب کارایی نش- ساتکلیف (</strong><strong><span dir="LTR">E</span></strong><strong>) استفاده شده ­است. نتایج تحقیق نشان داده است که مدل ترکیبی موجک-عصبی پیش­بینی دقیقتری برای تراز آب زیرزمینی ماهانه نسبت به مدل‌های </strong><strong><span dir="LTR">ANN</span></strong><strong>، </strong><strong><span dir="LTR">GP</span></strong><strong> و </strong><strong><span dir="LTR">MLR</span></strong><strong> ارائه داده، به طوریکه ضریب نش در مدل ترکیبی برای پیزومترهای 1، 2 و 3 به‌ترتیب 98/0، 98/0 و 95/0 حاصل شده است.</strong></p> <p dir="RTL"></p> <p style="text-align: justify">In this study is predicted the groundwater level of Sharif Abad catchment using some artificial intelligence models. For this purpose used of monthly groundwater levels for modeling in the three observed wells located in the Sharif Abad watershed of Qom. To compare the results of the hybrid model of wavelet analysis-neural network (WNN), genetic programming (GP) multiple linear regression (MLR) and artificial neural network (ANN), two criteria of root mean squared error (RMSE) and nash-sutcliffe coefficient of efficiency (E) is used. The results of the study indicated that the WNN models provide more accurate monthly groundwater level predicted in compared to the ANN, GP and MLR models so the nash-sutcliffe coefficient in WANN model for piezometers 1, 2 and 3 are 0.98, 0.98 and 0.95, respectively.</p> <p>.</p> دشت شریف­آباد, تراز آب زیرزمینی, شبکه عصبی, آنالیز موجک, برنامه­ریزی ژنتیک Sharif Abad Plain, Groundwater Level, Neural Network, Wavelet Analysis, Genetic Programming 7 26 http://jgs.khu.ac.ir/browse.php?a_code=A-10-2-37&slc_lang=fa&sid=1 طاهر رجایی Trajaee@qom.ac.ir 10031947532846002007 10031947532846002007 Yes اکرم زینی وند a_zeynivand@yahoo.com 10031947532846002008 10031947532846002008 No حمیده جعفری h.jafari@stu.qom.ac.ir 10031947532846002009 10031947532846002009 No