view in publisher's site

Forecasting monthly groundwater level fluctuations in coastal aquifers using hybrid Wavelet packet–Support vector regression

This research demonstrates the state-of-the-art capability of Wavelet packet analysis in improving the forecasting efficiency of Support vector regression (SVR) through the development of a novel hybrid Wavelet packet–Support vector regression (WP–SVR) model for forecasting monthly groundwater level fluctuations observed in three shallow unconfined coastal aquifers. The Sequential Minimal Optimization Algorithm-based SVR model is also employed for comparative study with WP–SVR model. The input variables used for modeling were monthly time series of total rainfall, average temperature, mean tide level, and past groundwater level observations recorded during the period 1996–2006 at three observation wells located near Mangalore, India. The Radial Basis function is employed as a kernel function during SVR modeling. Model parameters are calibrated using the first seven years of data, and the remaining three years data are used for model validation using various input combinations. The performance of both the SVR and WP–SVR models is assessed using different statistical indices. From the comparative result analysis of the developed models, it can be seen that WP–SVR model outperforms the classic SVR model in predicting groundwater levels at all the three well locations (e.g. NRMSE(WP–SVR) = 7.14, NRMSE(SVR) = 12.27; NSE(WP–SVR) = 0.91, NSE(SVR) = 0.8 during the test phase with respect to well location at Surathkal). Therefore, using the WP–SVR model is highly acceptable for modeling and forecasting of groundwater level fluctuations.

پیش‌بینی تغییرات ماهانه سطح آب‌های زیرزمینی در سفره‌های ساحلی با استفاده از رگرسیون بردار پشتیبان مبتنی بر بسته

این تحقیق نشان‌دهنده قابلیت state تحلیل بسته Wavelet در بهبود کارایی پیش‌بینی رگرسیون بردار پشتیبان (SVR)از طریق توسعه یک مدل رگرسیون بردار پشتیبان - پشتیبان (WP - SVR)برای پیش‌بینی نوسانات سطح آب زیر زمینی در سه سفره کم‌عمق ساحلی است. مدل بهینه‌سازی Sequential Minimal - based SVR برای مطالعه مقایسه‌ای با مدل WP - SVR بکار می‌رود. متغیرهای ورودی مورد استفاده برای مدل‌سازی سری‌های زمانی ماهانه بارش کل، میانگین دما، میانگین جزر و مد، و مشاهدات سطح آب‌های زیرزمینی ثبت‌شده در طی دوره ۲۰۰۶ - ۱۹۹۶ در سه حلقه چاه مشاهده‌ای واقع در نزدیکی Mangalore هند بودند. تابع پایه Radial به عنوان تابع هسته در طول مدلسازی SVR به کار می‌رود. پارامترهای مدل با استفاده از هفت سال اول داده‌ها کالیبره می‌شوند و داده‌های سه سال باقیمانده برای تایید مدل با استفاده از ترکیب‌های مختلف ورودی استفاده می‌شوند. عملکرد هر دو مدل SVR و WP - SVR با استفاده از شاخص‌های آماری مختلف ارزیابی می‌شود. از تحلیل نتایج مقایسه‌ای مدل‌های توسعه‌یافته، می توان مشاهده کرد که مدل WP - SVR نسبت به مدل SVR کلاسیک در پیش‌بینی سطح آب زیر زمینی در هر سه مکان خوب عمل می‌کند (به عنوان مثال nrmse (WP - SVR)= ۷.۱۴، nrmse (SVR - SVR)= ۰.۸ در طول فاز تست با توجه به موقعیت خوب در Surathkal). بنابراین، استفاده از مدل WP - SVR برای مدل‌سازی و پیش‌بینی نوسانات سطح آب زیرزمینی بسیار قابل‌قبول است.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.