پیش بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس)

پیش بینی سطح آب زیرزمینی برای استفاده پایدار از منابع آب، اهمیت زیادی دارد. این پیش بینی می تواند در مناطقی که با بحران های آبی مواجه هستند، به بهبود مدیریت منابع آب کمک کند. در سال های اخیر، استفاده از هوش مصنوعی برای پیش بینی سطح آب زیرزمینی توجه بسیاری را به خود جلب کرده است. این مدل ها می توانند وابستگی های پیچیده و غیرخطی میان داده ها را شبیه سازی کنند و در مناطقی که داده های هیدرولوژیکی دقیق و جامع در دسترس نیست، کاربرد فراوانی دارند. در این مطالعه، از مدل Long Short-Term Memory (LSTM) برای پیش بینی سطح آب زیرزمینی در محدوده مطالعاتی سعادت آباد در حوضه آبریز طشک-بختگان استان فارس استفاده شد. هدف اصلی این مطالعه، ارزیابی عملکرد مدل LSTM در مقایسه با مدل های سنتی و تحلیل تاثیر توابع فعال ساز مختلف بر دقت پیش بینی سطح آب زیرزمینی بود. برای بهینه سازی هایپرپارامترهای مدل از بهینه ساز بیزین (Bayesian optimization) بهره گرفته شد که باعث بهبود دقت پیش بینی و شبیه سازی وابستگی های بلندمدت میان داده های ورودی گردید. نتایج نشان داد که مدل LSTM قادر است نوسانات و روندهای بلندمدت سطح آب زیرزمینی را با دقت پیش بینی کند. هم چنین، مقایسه عملکرد توابع فعال ساز مختلف نشان داد که تابع فعال ساز ReLU توانست با مقدار NSE برابر با ۹۹/۰، R² برابر با ۹۷/۰ و RMSE برابر با ۶۷/۰ متر، روند تغییرات سطح آب زیرزمینی را شبیه سازی کند. هم چنین، مشاهده شد که استفاده از GPU به طور قابل توجهی زمان پردازش را کاهش داد. به طور خاص، زمان اجرا برای مدل با CPU برابر با ۳۱ دقیقه و با GPU برابر با ۹ دقیقه بود. این مدل توانایی بالایی در شبیه سازی الگوهای زمانی پیچیده و پیش بینی دقیق سطح آب زیرزمینی دارد و می تواند به عنوان ابزاری کارآمد برای مدیریت منابع آب زیرزمینی در مناطق مختلف با کمبود داده، استفاده شود.

کلیدواژه ها:

بهینه ساز بیزین ، تابع فعال ساز ، شبیه سازی ، مدیریت منابع آب