شبیه سازی آب زیرزمینی با استفاده از سیستم هوش مصنوعی (مطالعه موردی: حوزه آبخیز کمه استان اصفهان)

محدودیت منابع آب سطحی، تقاضای مصرف آب را به سمت استفاده از منابع آب زیرزمینی سوق داده است و برداشت از این منابع و عدم تغذیه آبخوان­ها باعث افت سطح تراز آب­های زیرزمینی گردیده است. از طرفی برای ارزیابی و مدیریت منابع آب در شرایط مخاطرات امروز و آینده نیاز به پیش­بینی تراز آب­های زیرزمینی می­باشد. هدف از این پژوهش پیش­بینی تراز آب زیرزمینی حوزه آبخیز کمه شهرستان سمیرم استان اصفهان با استفاده از سیستم هوش مصنوعی می­باشد. در این راستا داده­های مشاهداتی تراز آب زیرزمینی، بارش و دبی در مقیاس ماهانه با سری زمانی ۲۰ ساله (۱۳۹۸ -۱۳۷۹) مورد استفاده قرار گرفت. در الگوریتم شبکه پرسپترون چند لایه (MLP) جهت بررسی قدرت پیش­بینی و تاثیر ورودی­ها از آرایش مختلف، تغییر وزن­های ورودی، تغییر لایه­ها و تعداد نرون­ها استفاده شد. به منظور بررسی عملکرد مدل­ها، از دو معیار جذر میانگین مربع خطا (RMSE) و ضریب تعیین (R۲) استفاده گردید. به این منظور از ۷۵ درصد داده­ها (۱۸۰ سری داده) برای آموزش شبکه و از ۲۵ درصد مابقی (۶۰  سری داده) به منظور ارزیابی و تست شبکه استفاده شد. براساس مقایسه جداول RMSE و R آرایش­های مختلف، در پیش­بینی تراز آب زیرزمینی حوضه مورد مطالعه، تاثیر بارش بیشتر از دبی می­باشد و الگوریتم آموزش لونبرگ مارکوارت با داشتن ضریب همبستگی ۹۹/۰ و جذر میانگین مربع خطا ۰۰۴۷/۰ عملکرد بهتری نسبت به سایرین دارد. نتایج ضمن تایید کارایی مناسب مدل های شبکه عصبی مصنوعی در شبیه سازی تراز آب زیرزمینی نشان داد که استفاده از پارامترهای اقلیمی نسبت به پارامترهای هیدرولوژیکی جهت مدل­سازی مقادیر کمی آب­زیرزمینی در مدل شبکه عصبی مصنوعی دارای عملکرد بهتری می­باشد. نتایج حاکی از آن است که در شبیه سازی تراز آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، با توجه به وجود عدم قطعیت های متعدد در داده های ورودی به شبکه، انتخاب نوع و ساختار مدل از اهمیت ویژه ای برخوردار می باشد.

کلیدواژه ها:

آب زیرزمینی ، الگوریتم لونبرگ مارکوارت ، شبکه MLP ، هوش مصنوعی