شبیه سازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، الگوریتم بهینه سازی ذرات و مدل seawat (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)

سابقه و هدف: شوری خاک عامل مهم در کاهش عملکرد مزارع نیشکر واقع در جنوب غربی ایران می باشد. بنابراین مطالعه و پایش این عامل در زمین های تحت کشت نیشکر، امری لازم و ضروری می باشد. اما با توجه به وسعت زیاد مناطق زیر کشت نیشکر و تعدد زیاد مزرعه ها، مطالعه و پایش این عوامل در هر مزرعه بسیار وقت گیر و پرهزینه است. استفاده از مدل های کامپیوتری با توجه به سرعت بالا و هزینه کم، به عنوان گزینه ای مناسب جهت پایش اراضی مذکور در نظر گرفته می شود. بنابراین تحقیق حاضر با هدف دست یابی به بهترین و مناسب ترین روش ها و مدل های تخمین میزان شوری خاک با استفاده از مدل های شبکه عصبی (شبکه عصبی مصنوعی و الگوریتم تجمع ذرات) و مدل seawat، در مزرعه r9-11از مزارع نیشکر دعبل خزاعی خوزستان صورت پذیرفت. در سال های اخیر به دلیل به آسانی کاربرد و دقت بالای این مد ل ها در تقریب معادله های غیرخطی و پیچیده ریاضی، استفاده از این مدل ها افزایش پیدا کرده است. ساعی و همکاران (2009)، از مدل شبکه عصبی برای پیش بینی شوری خاک استفاده کردند و کارائی خوب این مدل را در پیش بینی شوری خاک تایید نمودند. مواد و روش ها: در این پژوهش از شبکه عصبی مصنوعی (ann)، الگوریتم تجمع ذرات) pso+ann) و مدل seawat برای پیش بینی شوری آب زیرزمینی استفاده شده است. بدین منظور مزرعه r9-11از مزارع نیشکر دعبل خزاعی خوزستان انتخاب و تعدادی پیزومتر در فواصل مختلف از جمع کننده زهاب در 7 دسته که هر دسته شامل اعماق 2.2، 3، 4 و 5 متری از سطح زمین می باشد، در لایه های مختلف از سطح خاک نصب گردید. تغییرات شوری آب زیرزمینی از آبان ماه سال 1392 تا مهر ماه سال 1393 بصورت روزانه برداشت شد. همچنین مقادیر حجم آب آبیاری، شوری آب آبیاری و شوری زهاب در این بازه زمانی اندازه گیری و به عنوان ورودی به شبکه عصبی معرفی شدند. از معضلاتی که در استفاده از شبکه عصبی وجود دارد، مسئله آموزش آن می باشد که به روش پس انتشار خطا آموزش داده می شود. در انجام این پژوهش با استفاده از آموزش به روش pso تلاش می گردد این مشکل برطرف شود. یافته ها: نتایج نشان داد که بالاترین دقت در پیش بینی شوری آب زیرزمینی مربوط به مدل شبکه عصبی با آموزش الگوریتم تجمع ذرات می باشد. به طوری که مقدارمیانگین rmse اعماق مختلف بین مقادیر اندازه گیری شده و شبیه سازی شده با مدل های شبکه عصبی مصنوعی، الگوریتم تجمع ذرات و seawat به ترتیب برابر 0.092، 0.017 و 0.745 بدست آمد. نتیجه گیری: به طور کلی مقادیر rmse و mape برای ارزیابی دقت مدل ها نشان از دقت بالای هر سه مدل (شبکه عصبی مصنوعی، الگوریتم تجمع ذرات و مدل seawat) در شبیه سازی شوری آب زیرزمینی می باشند که از علل اصلی آن می توان به اندازه گیری دقیق ورودی های مدل ها اشاره کرد.