استفاده از مدل های ترکیبی ماشین بردار پشتیبان - موجکی و شبکه عصبی -موجکی در پیش‌بینی تراز آب زیرزمینی دشت اردبیل

منابع

- بازرگان لاری، محمدرضا؛ کراچیان، رضا؛ صدقی، حسین؛ فلاح نیا، مهسا؛ علم­دوست، ارمغان و محمدرضا نیکو (1389)، تدوین قوانین احتمالاتی برای بهره­برداری بهینه تلفیقی کمی – کیفی از منابع آب سطحی و زیرزمینی در زمان واقعی : کاربرد ماشین بردار پشتیبان، مجله­ی آب و فاضلاب، شماره­ی 4، صص 69-54.

- رجایی، طاهر و هادی ابراهیمی (1393)، مدل‌سازی نوسان‌های ماهانه­ی آب زیرزمینی به وسیله­ی تبدیل موجک و شبکه عصبی پویا، مدیریت آب و آبیاری، شماره­ی (1)4، صص 115-99.

- رجایی، طاهر و اکرم زینی‌وند (1393)، مدل‌سازی تراز آب زیرزمینی با بهره‌گیری از مدل هیبریک موجک- شبکه عصبی مصنوعی، نشریه­ی مهندسی عمران و محیط زیست، شماره­ی (4)44، صص63-51.

- رمضانی چرمهینه، عبدالله و محمد ذونعمت کرمانی (1394)، ارزیابی روش‌های ماشین بردار پشتیبان، تحلیل تفکیک خطی و درجه دوم در شبیه­سازی نوسانات سطح آب زیرزمینی دشت شهر کرد، تحقیقات منابع آب ایران، شماره­ی 2، صص 105-97.

- کلته، امان محمد و وحید غلامی (1391)، پیش‌بینی سطح آب زیرزمینی با استفاده از ماشین بردار پشتیبان، مطالعه موردی سواحل جنوبی خزر، سومین همایش ملی مدیریت جامع منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی، ساری، 21-20 شهریور، صص 46-30.

- ملکی‌نژاد، حسین و ربابه پورشریعاتی (1392)، کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه­عصبی مصنوعی در پیش‌بینی تغییرات سطح آب زیرزمینی (مطالعه­ی موردی: دشت مروست)، علوم مهندسی آبیاری (مجله­ی کشاورزی)، شماره­ی (3)36، صص92-81.

- نخعی، محمد و امیر صابری نصر (1391)، پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی – موجکی و مقایسه­ی آن با مدل عددی MODFLOW، مجله­ی زمین شناسی کاربردی پیشرفته، شماره­ی (1)4، صص58-47.

- نعمت­الهی، بیتا؛ کمالی، امیرجلال و محمد علیخانی­نژاد (1391)، پیش‌بینی سطح آب زیرزمینی با مدل محاسباتی ماشین بردار پشتیبان (مطالعه­ی موردی: دشت کرمان)، دومین کنفرانس بین­المللی گیاه، آب، خاک و هوا، صص 78-62.

-Adamowski. J., Chan. H.F., (2011), A Wavelet neural network conjunction model for groundwater level forecasting, Journal of Hydrology, Vol. 407, PP.28-40.

-Behzad, M., Asghari, K., Coppola, EJR., (2010), Comparative study of SVMs and ANNs in aquifer water level prediction, Journal of computing in Civil Engineering, Vol. 24, No. 5, PP. 408-413.

-Chang, F.J., Chang, L.C., Huang, C.W., Kao, I.F., (2016), Prediction of monthly regional groundwater levels through hybrid soft-computing techniques, Journal of Hydrology, Vol. 541, PP. 965-976.

-Chen, L.H., Chen, C.T., Pan, Y.G., (2010), Groundwater level prediction using SOM-RBFN multisite model, Journal of Hydrologic Engineering, Vol. 15, PP. 624-631.

-Chen, L.H., Chen, C.T., Li, D.W., (2011), Application of integrated back-propagation network and self-organizing map for groundwater level forecasting, Water Resources Management, Vol.137, No.4, PP. 352–365.

-Chen, ST. Yu, PS., (2007), Pruning of support vector networks on flood forecasting, Journal of Hydrology, Vol. 347, No. 1-2, PP. 67-78.

-Daliakopoulos, I.N., Coulibaly, P., Tsanis, I.K., (2005), Groundwater level forecasting using artificial neural networks, Journal of Hydrology, Vol. 309, PP. 229–240.

-Han, J.C., Huang,Y.,Li, Z., Zhao, C., Cheng, G., Huang, P., (2016), Groundwater level prediction using a SOM-aided stepwise cluster inference model, Journal of Environmental Management, Vol. 182, PP. 308-321.

-Hsu, K.C., Li, S.T., (2010), Clustering spatial-temporal precipitation data using wavelet transform and self-organizing map neural network, Advances in Water Resources, Vol. 33, PP. 190-200.

-Lallahema, S., Maniaa, J., Hania, A., Najjarb, Y., (2005), On the use of neural networks to evaluate groundwater levels in fractured media, Journal of Hydrology., Vol. 307, PP. 92–111.

-Lin, G.F., Chen, G.R., (2006), An improved neural network approach to the determination of aquifer parameters, Journal of Hydrology, Vol. 316, No.1–4, PP. 281–289.

-Maheswaran, R., Khosa, R., (2013), Long term forecasting of groundwater levels with evidence of non- stationary and nonlinear characteristics, Computers & Geosciences, Vol. 52, PP. 422- 436.

-Moosavi, V., Vafakhah, M., Shirmohammadi, B., Ranjbar, M., (2014), Optimization of wavelet- ANFIS and wavelet- ANN hybrid models by Taguchi method for groundwater level forecasting, Arabian Journal for Science and Engineering, Vol. 39, No. 3, PP. 1785-1796.

-Nayak, P. C., Satyaji rao, Y. P., Sudheer, P. K., (2006), Groundwater Level Forecasting in a Shallow Aquifer Using Artificial Neural Network Approach, Water Resources Management, Vol. 20, PP. 77–90.

-Nourani, V., Alami, M., T., Aminfar, MH., (2009), Combined neural - wavelet model for prediction of Ligvanchayi watershed precipitation, Engineering Applications of Artificial Intelligence, Vol. 22, PP. 466 - 472.

-Nourani, V., Hosseini Baghanam, A., Daneshvar Vousoughi, F., Alami, M.T., (2012), Classification of Groundwater Level Data Using SOM to Develop ANN-Based Forecasting Model, International Journal of Soft Computing and Engineering., Vol. 2, PP. 2231-2307.

-Nourani, V., Taghi Alami, M., Daneshvar Vousoughi, F., (2015), Wavelet-entropy data pre-processing approach for ANN-based groundwater level modeling, Journal of Hydrology, Vol. 524, PP. 255–269.

-Partal, T. and Cigizoglu, H.K., (2008), Estimation and forecasting of daily suspended sediment data using wavelet-neural networks, Journal of Hydrology, Vol. 358, No. 3–4, PP. 317–331.

-Satyajirao, Y. R., Krishna, B., (2009), Modelling hydrolohical time series data using wavelet neural network analysis, New Approaches to Hydrogical Prediction in in Datasparse Regions, Proc. of Seymposium HS.2 at the Joint IAHS & IAH Convention, Hydreabad, India, IAHS Publications, Vol. 333, PP. 101-111.

-Shiri, J., Kisi, O., Yoon, H., Lee, KK., Nazemi, AD., (2013), Predicting groundwater level fluctuations with meteorological effect implications – A comparative study among soft computing techniques, Computers & Geosciences, Vol. 56, PP. 32-44.

-Taorminal, R., Chau, K.W., Sethi, R., (2012), Groundwater levels in a coastal aquifer system of the 4 Venice lagoons, Engineering Applications of Artificial Intelligence, Vol. 25, No. 8, PP.1670-1676.

-Vapnik, V., Cortes, C., (1995), Support Vector Networks, Machine Learning, Vol. 20, PP. 1-25.

-Wang. W., Ding. S., (2003), Wavelet network model and its application to the predication of hydrology, Nature and Science, Vol. 1, No. 1, PP. 67-71.

-Yoon, H., Jun, SC., Hyun, Y., Bae, GO., Lee, KK., (2011), A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrology, Vol. 396, No. 1-2, PP. 128-138.

-Yoon, H., Hyun, Y., Ha, K., Lee, K.K., Kim, G.B., (2016), A method to improve the stability and accuracy of ANN- and SVM-based time series models for long-term groundwater level predictions, Computers & Geosciences, Vol. 90, PP. 144-155.

Zhao, W., Gao, Y., LI, C., (2012), RVM based on PSO for groundwater level forecasting, Journal of computers, Vol. 7, No. 5, PP. 1073-1079.