پیش بینی تراز آب زیرزمینی با بهره گیری از داده های موثر و شبکه عصبی کانولوشنی (CNN)

مدیریت پایدار منابع آب زیرزمینی در مناطق خشک و نیمه خشک نیازمند پیش بینی دقیق تغییرات تراز این منابع است؛ به ویژه در مناطقی که با کمبود داده های هیدرولوژیکی مواجه است. در این پژوهش، از مدل شبکه کانولوشنی به عنوان یکی از رویکردهای نوین یادگیری عمیق برای پیش بینی تراز آب زیرزمینی در زیرحوضه داریان استفاده شد. داده های ورودی شامل بارش (GPM)، دما (MOD۱۱A۲) و تبخیر-تعرق (MOD۱۶A۲) از منابع ماهواره ای تهیه و در محیط Google Earth Engine پردازش شد. با بهینه سازی هایپرپارامترهای مدل به کمک الگوریتم بیزین ساختاری کارآمد با دقت بالا حاصل شد. ارزیابی مدل در بازه ۲۰۱۳ تا ۲۰۱۹ نشان داد که مدل توانسته است نوسانات تراز آب را با دقت بالا پیش بینی کند (NSE=۰/۹۷، R=۰/۷۸، RMSE=۰/۷۳m) هرچند شاخص پایداری منفی گزارش شد اما نتایج کلی نشان دهنده عملکرد قابل قبول مدل است. یافته ها نشان می دهد که مدل CNN با استفاده از داده های کم می تواند ابزاری موثر برای پیش بینی و مدیریت منابع آب زیرزمینی در مناطق با داده های محدود باشد.

کلیدواژه ها:

پیش بینی تراز آب زیرزمینی ، شبکه عصبی کانولوشنی ، یادگیری عمیق ، بهینه ساز بیزین