انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 20 3 2026 08 23 Comparison of LS-SVR, ANFIS, MLP, and RBF Model Performance in Groundwater Level Modeling (Case Study: Central Part of Mashhad Plain) مقایسه عملکرد مدل‌های LS-SVR ،ANFIS ،MLP و RBF در مدل‌سازی سطح آب زیرزمینی (مطالعه موردی بخش مرکزی دشت مشهد) 397 410 243611 10.22034/idj.2026.546388.2628 FA امه هانی موسوی خالدی گروه آموزشی اقتصادکشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد علی فیروززارع گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد آرش دوراندیش گروه آموزش اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه تهران، کرج فرشته مدرسی گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد 0000-0001-7033-5402 Journal Article 2025 09 11 The decline in groundwater levels in Mashhad Plain, primarily driven by anthropogenic factors, presents a significant challenge to sustainable water resource management. The heavy reliance on these resources necessitates accurate prediction of changes for effective managerial decision-making. This study employs machine learning methods to simulate and predict groundwater level variations in the central part of the plain. Initially, key input variables and optimal time lags were identified using the Partial Autocorrelation Function (PACF) and Frequency Lasso Regression (FLR). Subsequently, the performance of Least Squares Support Vector Regression (LS-SVR), Adaptive Neuro-Fuzzy Inference System (ANFIS), Multi-Layer Perceptron Neural Network (MLP), and Radial Basis Function Neural Network (RBF) was evaluated for monthly prediction of groundwater level fluctuations over 30 years (1991-2021). Results demonstrated that all four models simulate groundwater levels with acceptable accuracy. The RBF model exhibited superior performance with R², MSE, NSE, and RMSE values of 1.00, 0.00, 1.00, and 0.009, respectively. The findings affirm the high potential of data-driven models in simulating hydrological processes and can serve as a foundation for developing intelligent tools for groundwater resource management in Mashhad Plain and similar regions, including resource allocation and warning system design. افت سطح آب زیرزمینی در دشت مشهد، عمدتاً ناشی از عوامل انسانی، چالشی جدی در مدیریت پایدار منابع آب ایجاد کرده است. وابستگی شدید به این منابع، پیش‌بینی دقیق تغییرات را برای تصمیم‌گیری‌های مدیریتی ضروری می‌سازد. این پژوهش با بهره‌گیری از روش‌های یادگیری ماشین، تغییرات سطح آب در بخش مرکزی دشت را شبیه‌سازی و پیش‌بینی می‌کند. در این پژوهش ابتدا با استفاده از تابع خودهمبستگی جزئی(PACF) و رگرسیون لاسو فراوانی‌گرا (Frequentist Lasso Regression) متغیرهای ورودی مهم و وقفه‌های زمانی بهینه شناسایی شدند. سپس، عملکرد مدل‌های حداقل مربعات میانگین رگرسیون بردار پشتیبان (LS-SVR)، استنتاج عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عصبی تابع پایه شعاعی (RBF) در پیش‌بینی ماهانه نوسانات سطح آب زیرزمینی طی ۳۰ سال (۱۳۷۰-۱۴۰۰) ارزیابی گردید. نتایج نشان داد که هر چهار مدل با دقت قابل قبول سطح آب زیرزمینی را شبیه‌سازی می‌کنند. مدل RBF با "R" ^"2" ، MSE، NSE و RMSE به ترتیب 00/1، 00/0، 00/1 و 009/0 عملکرد برتری نسبت به سایر مدل‌ها دارد. یافته‌های این پژوهش پتانسیل بالای مدل‌های داده‌محور در شبیه‌سازی فرآیندهای هیدرولوژیکی را تأیید کرد و می‌تواند مبنای توسعه ابزارهای هوشمند برای مدیریت منابع آب زیرزمینی در دشت مشهد و مناطق مشابه، از جمله تخصیص منابع و طراحی سامانه‌های هشداردهنده، باشد. https://idj.iaid.ir/article_243611_8da65a87925f38b1261efe6900130a36.pdf