در این تحقیق به توسعه مدل دسته‌بندی گروهی داده‌ها جهت تخمین سطح آب زیرزمینی پرداخته شد. بدین منظور از اطلاعات روزانه (21 سال اخیر) دو چاه مشاهده‌ای حفرشده در دشت ایلینوی آمریکا استفاده گردید. توسعه مدل GMDH بر اساس دو رهیافت مدل مرسوم و مدل دسته‌بندی فازی عصبی گروهی داده‌ها NF-GMDH انجام گرفت. آموزش مدل‌های ذکرشده با استفاده از الگوریتم کمترین مربعات خطا و همچنین الگوریتم بهینه‌سازی ازدحام ذرات (PSO) انجام شد. در طراحی الگوی متغیرهای ورودی از تأخیرهای زمانی (تا پنج واحد) داده‌های مربوط به سطح آب زیرزمینی در این چاه‌ها استفاده شد. نتایج این تحقیق نشان داد که مدل GMDH سطح آب زیرزمینی در چاه بوندویل را با شاخص‌های آماری خطا شاملR^2=0.98 و ریشه میانگین مربعات خطا RMSE=0.333 و متوسط درصد خطای مطلق MAPE=9.9% و در چاه پری متوسط با R^2=0.99 ، RMSE=0.64 و MAPE=12% در مرحله صحت سنجی پیش‌بینی نماید. نتایج توسعه مدل NF-GMDH نشان داد که دقت توسعه مدل GMDH بر مبنای رهیافت عصبی فازی نیز دارای دقتی مناسب و در حد مدل GMDH است. دقت هر دو مدل GMDH و NF-GMDH با افزایش سطح سطح آب زیرزمینی افزایش می‌یابد به‌طوری‌که مقادیر حداکثر سطح آب زیرزمینی دقیق پیش‌بینی می‌شود حال‌آنکه هر دو مدل در تخمین مقادیر کم سطح آب زیرزمینی دارای خاصیت بیش پیش‌بینی هستند.

کلمات کلیدی