ارزیابی عملکرد مدل بهینه سازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جستجوی گرگ خاکستری (GNM) (مطالعه موردی: دشت بیرجند)

  • سال انتشار: 1397
  • محل انتشار: مهندسی آبیاری و آب ایران، دوره: 8، شماره: 3
  • کد COI اختصاصی: JR_WATER-8-3_010
  • زبان مقاله: فارسی
  • تعداد مشاهده: 560
دانلود فایل این مقاله

نویسندگان

احمد جعفرزاده

منابع آب، گروه علوم و مهندسی آب، دانشگاه بیرجند

عباس خاشعی سیوکی

روه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران،

چکیده

پایش کمی آب زیرزمینی، با هدف بررسی و تعیین عوامل موثر در رفتار آبخوآن ها نقش به سزایی در مدیریت آب زیرزمینی هر منطقه دارد. بنابراین برای مطالعه تغییرات زمانی و مکانی سطح آب زیرزمینی، شبکه پایش کمی آب زیرزمینی مورد نیاز است. این مطالعه در نظر دارد تا به منظور پایش کمی آبخوان دشت بیرجند و تعیین نقاط بهینه پیزومترها یک روش جدید تحت عنوان Gray wolf and Neural network Monitoring (GNM) را پیشنهاد دهد. در روش پیشنهاد شده از 2 مدل شبکه عصبی و جستجوی گرگ خاکستری به عنوان مدل شبیه ساز سطح آب زیرزمینی و مکان یابی موقعیت پیزومتر استفاده شده است. سطح آب زیرزمینی با تاخیرهای 1 تا 3 ماهه، ارتفاع توپوگرافی، تخلیه از آبخوان و مختصات به عنوان ورودی تخمین گر سطح آب زیرزمینی مدل  GNM تعیین گردید. مقادیر مشاهداتی کلیه مولفه­های ورودی با استفاده از ابزار درون یابی در محیط GIS برای کل سطح آبخوان بدست آمد. همچنین شاخص های RMSE و R2به عنوان مقدار تابع هدف در این قسمت از مطالعه درنظر گرفته شد. تابع هدف در قسمت مکان یابی، مقدار نمائی خطا بین سطح آب زیرزمینی مشاهداتی و شبیه سازی شده درنظر گرفته شد. همچنین به منظور افزایش دقت و کشف نقاط بهینه جدید برنامه از روش Polytope به عنوان مدل کمکی استفاده گردید. نتایج نشان داد با توجه به مقادیر شاخص های ارزیابی در قسمت شبیه سازی سطح آب زیرزمینی مدل GNM که با استفاده از شبکه عصبی انجام شد، مدل پیشنهاد شده از کارایی مناسبی در این زمینه برخوردار است. مقدار شاخص های RMSE و R2 در مرحله صحت سنجی به ترتیب 1/0 و 99/0 متر بدست آمد. همچنین ارزیابی نتایج مقایسه سطح آب زیرزمینی مشاهداتی و شبیه سازی شده نشان داد که مدل GNM در تعیین نقاط بهینه جدید نیز از قابلیت خوبی برخوردار می باشد. به­طوری­که مقدار تابع هدف تا سقف 0007/0 متر کاهش نشان داد. در نهایت موقعیت 10 پیزومتر جدید در آبخوان بیرجند با استفاده از مدل GNM تعیین شد. همچنین نتایج کاربرد روش Polytope نشان داد که این روش می تواند تا حد قابل قبولی در کشف نقاط بهینه جدید کارایی داشته باشد. به نحوی­که پیاده سازی این روش باعث شد که مقدار تابع هدف تا سقف 0001/0 کاهش پیدا کند. دقت تخمین سطح آب زیرزمینی در شبکه پیزومتری پیشنهاد شده توسط مدل GNM برای برآورد سطح آب زیرزمینی حدفاصل سال های 1390 تا 1392 بررسی شد. مقدار شاخص های ارزیابی برای هر کدام از پیزومترهای انتخاب شده تعیین گردید. نتایج نشان داد که شبکه پیزومتری پیشنهاد شده تا حد قابل قبولی سطح آب زیرزمینی را به درستی تخمین رده است.

کلیدواژه ها

واژه های کلیدی: مکان یابی پیزومتر, شبکه عصبی, گرگ خاکستری, Polytope

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.