پیش بینی تراز سطح آب زیرزمینی به وسیله شبکه عصبی و ژنتیک الگوریتم عوامل موثر بر آن

هدف از انجام این پژوهش بررسی مطالعات آب زیرزمینی و تغییرات سطح ایستایی می باشد که از اهمیت بسیار بالایی برخوردار است. به منظور برنامه ریزی در جهت استفاده از منابع آب زیرزمینی باید بتوان سطح آب زیرزمینی را با استفاده از یک روش مناسب پیش بینی نمود. در راستای این پژوهش کاربرد شبکه عصبی در جهت پیش بینی تراز سطح ایستایی در استان خوزستان منطقه دشت قلعه تل مورد بررسی و ا رزیابی قرار گرفته شده، در اولین گام عوامل موثر بر تراز سطح آب زیرزمینی تعیین می شود. از جمله عوامل موثر در این پژوهش می توان به پارامترهای دما، بارندگی، حوضه آبریز، مواد تشکیل دهنده بستر و کناره رودخانه و میزان بهره برداری از آبها اشاره نمود، ک در اکثر موارد آماری از آنها وجود ندارد. در بین این عوامل تنها دما و بارش، تبخیر، تراز سطح ایستایی و میزان برداشت چاه های منطقه قابل اندازه گیری بوده اند. این بررسی نشان می دهد دما، بارش، تبخیر، عمق سطح ایستایی و میزان پمپاژ در دوره زمانی مختلف به عنوان پارامترهای ورودی و عمق سطح ایستایی در دوره مورد نظر بعنوان خروجی مدل انتخاب گردید. بدین منظور داده های ورودی این پژوهش طی بازه زمانی 24 ساله (1395-1371) از سازمان آب و برق استان خوزستان و سازمان حفاظت بهره برداری در نظر گرفته شده است. برای سنجش داده ها با نرم افزار ArcGIS تیسن بندی در محدوده پیزومترهای نصب شده در دشت مشخص شده، میانگین سطح ایستایی با استفاده از روش درونیابی Kriging محاسبه شد، و همچنین از روش تیسن بندی، میانگین بارش و دما نیز استفاده شده است. برای شبیه سازی سطح ایستایی طی سال های 1371 الی 1395 از شبکه های عصبی SVM,CANFIS,RBF,MLP استفاده شد، انواع ساختارها (یک لایه و دو لایه میانی با تعداد نرون های مختلف)، انواع روش های آموزشی (روش مومنتم و روش لونبرگ مارکوارت) مورد بررسی قرار گرفت. سپس به منظور بررسی بهبود نتایج شبکه، از بهینه سازی ژنتیک الگوریتم استفاده شد. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا برای ارزیابی عملکرد مدل مورد استفاده قرار گرفت. با مقایسه نتایج در مرحله تست و صحت سنجی و آموزش شبکه مشخص شد که بهترین شبکه، شبکه mlp با روش آموزش Levenberg و تابع انتقال sigmoid می باشد که دارای دو لایه میانی است و لایه اول 12 گره و لایه دوم 11 گره دارد.