パフォーマンスメトリックのシャノンエントロピー地下水位を予測するための最高の斬新なハイブリッドアルゴリズムを選択する（ケーススタディ：Tabriz Plain、イラン）

特に乾燥した半乾燥気候で予備の水貯水池として機能する地下水位（GWL）の変動を予測することは、水資源管理と計画において不可欠です。現在の研究の範囲内で、人工ニューラルネットワーク（ANN）アルゴリズムと新しく開発された自然にインスパイアされたCOOTおよびハニーアナグマのメタヒューリスティック最適化アルゴリズムを組み合わせることにより、イランのタブリズ平野のGWL値を推定するために、新しいハイブリッドアルゴリズムが提案されています。温度、蒸発、降水量、以前のGWL値、およびデータの月と年の値などの気象データのさまざまな組み合わせを使用して、アルゴリズムの成功を評価しました。さらに、モデルパフォーマンスのシャノンエントロピーは、44の異なる統計指標に従って評価され、2つのクラスに分類されます：精度とエラー。したがって、シャノンエントロピーの高い値に基づいて、最良の統計インジケーターが選択されました。最良のモデルと最良のシナリオの結果を分析しました。結果は、Shannonエントロピーの値がエラークラスよりも精度クラスの方が高いことを示しています。また、それぞれ精度とエラーのクラスについては、別名情報基準（AIC）および残留和の正方形（RSS）インデックスは、12.72と7.3に等しい最高のエントロピー値が両方のクラスの最良の指標であり、Legate-McCabeの効率性の最良の指標です。（LME）および正規化されたルート平均平均誤差（NRMSE-平均）インデックスは、3.7と-8.3に等しい最も低いエントロピー値を持つインデックスが両方のクラスの最悪の指標です。評価によれば、テスト段階の最良の指標の結果、HBA -ANN、COOT -ANN、およびスタンドアロンANNモデルのAICインジケーター値は、それぞれ-344、-332.8、および-175.8に等しくなります。さらに、提案されたメタヒューリスティックアルゴリズムは、スタンドアロンANNモデルのパフォーマンスを大幅に改善し、満足のいくGWL予測結果を提供することが明らかになりました。最後に、Honey Badger Optimizationアルゴリズムは、GWL予測におけるCOOT最適化アルゴリズムよりも優れた結果を示したと結論付けられました。

Predicting groundwater level (GWL) fluctuations, which act as a reserve water reservoir, particularly in arid and semi-arid climates, is vital in water resources management and planning. Within the scope of current research, a novel hybrid algorithm is proposed for estimating GWL values in the Tabriz plain of Iran by combining the artificial neural network (ANN) algorithm with newly developed nature-inspired Coot and Honey Badger metaheuristic optimization algorithms. Various combinations of meteorological data such as temperature, evaporation, and precipitation, previous GWL values, and the month and year values of the data were used to evaluate the algorithm's success. Furthermore, the Shannon entropy of model performance was assessed according to 44 different statistical indicators, classified into two classes: accuracy and error. Hence, based on the high value of Shannon entropy, the best statistical indicator was selected. The results of the best model and the best scenario were analyzed. Results indicated that value of Shannon entropy is higher for the accuracy class than error class. Also, for accuracy and error class, respectively, Akaike information criterion (AIC) and residual sum of squares (RSS) indexes with the highest entropy value which is equal to 12.72 and 7.3 are the best indicators of both classes, and Legate-McCabe efficiency (LME) and normalized root mean square error-mean (NRMSE-Mean) indexes with the lowest entropy value which is equal to 3.7 and - 8.3 are the worst indicators of both classes. According to the evaluation best indicator results in the testing phase, the AIC indicator value for HBA-ANN, COOT-ANN, and the standalone ANN models is equal to - 344, - 332.8, and - 175.8, respectively. Furthermore, it was revealed that the proposed metaheuristic algorithms significantly improve the performance of the standalone ANN model and offer satisfactory GWL prediction results. Finally, it was concluded that the Honey Badger optimization algorithm showed superior results than the Coot optimization algorithm in GWL prediction.