شبیه سازی سطح ایستابی آب زیرزمینی دشت سرخس با ترکیب روش‌های هوش مصنوعی و زمین‌آمار

سابقه و هدف: شبیه سازی جریان زیرزمینی به‌منظور پیش‌بینی سطح ایستابی، در مطالعات هیدروژئولوژی و مدیریتی، احداث سازه‌ها، مصارف کشاورزی و دسترسی به آب‌های زیرزمینی با کیفیت بالا از اهمیت بسزایی برخوردار است. در دهه‌های اخیر به سبب پیچیدگی و ویژگی‌های غیر خطی سیستم‌های آب زیرزمینی، مدل‌های هوش مصنوعی برای شبیه‌‌سازی آبخوان‌ها مورد آزمایش قرار گرفته‌اند. هدف این مطالعه مقایسه مدل‌های شبکه‌ عصبی مصنوعی (پرسپترون چند لایه، تابع پایه شعاعی و نروفازی) و ترکیب آن با روش‌های زمین‌آمار برای مدل‌سازی سطح ایستابی دشت سرخس می‌باشد. بررسی مطالعات قبلی نشان می‌دهد، شبیه سازی سطح آب زیرزمینی با روش‌های هوش مصنوعی در مناطق مختلف نتایج متفاوتی ارائه کرده است . مواد و روش‌ها: شهرستان سرخس، با پهنه‌ای بیش از ۵ هزار کیلومترمربع در طول‌های جغرافیایی ′30 °60 تا ′15 °61 شرقی و عرض جغرافیایی ′55 °35 تا ′40 °36 شمالی واقع شده است. آبخوان دشت سرخس از نوع آزاد و دارای یک‌لایه آبرفتی می‌باشد. در این تحقیق از داده‌های سطح ایستابی 18 حلقه چاه در طول دوره آماری (1394-1370)، بارش و تبخیر پتانسیل ماهانه استفاده شد. با استفاده از روش تیسن سطح اثر ایستگاه‌های هواشناسی مشخص شد و داد‌ه‌ها‌ی اقلیمی هر ایستگاه به چاه‌های واقع در پلیگون مربوطه تعمیم داده شد. مدلهای شبکه عصبی مورد استفاده شامل پرسپترون چند لایه (MLP)، تابع پایه شعاعی (RBF) و روش نروفازی (NF) یا (ANFIS) و روش‌های زمین‌آمار شامل روش کریجینگ، کوکریجینگ و روش عکس فاصله بود. 70 درصد داده‌های ورودی برای آموزش مدل و 30 درصد باقیمانده داده‌ها برای آزمایش آنها بکارگرفته شد. ﺑﺮای ارزﯾﺎﺑﯽ نتایج شبیه سازی ﻣﺪلﻫﺎی شبکه عصبی مصنوعی از آﻣﺎره‌های همبستگی بین داده‌ها (R) ، ﻣﺠﺬور ﻣﯿﺎﻧﮕﯿﻦ ﺧﻄﺎی ﻣﻄﻠﻖ (MAE) و ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ (R2) و برای ارزیابی روشهای زمین آماری از معیارهای ارزیابی ریشه میانگین مربع خطا (RMSE) و میانگین مربعات خطا (MSE) استفاده شد. یافته‌ها: نتایج بدست آمده نشان داد که مدل پرسپترون چند لایه نسبت به مدل‌های دیگر با توجه به 60/0=R2، 80/0= MAE و 77/0 R=از دقت بیشتری برخوردار است. برای تعیین بهترین مدل زمین‌آمار برای پیش‌بینی مکانی سطح ایستابی آب‌های زیرزمینی نتایج مدل پرسپترون چند لایه، به عنوان ورودی مدل‌های زمین آمار استفاده شد. نتایج نشان که روش کریجینگ با 1= RMSEو 068/0= RMSمدل بهتری برای شبیه‌سازی مکانی سطح آب زیرزمینی دشت سرخس می‌باشد و براساس آن نقشه‌های شبیه سازی سطح آب زیرزمینی هر سال ترسیم گردید. تحلیل نقشه‌های به دست آمده نشان داد بیشترین افت در قسمت شمالی منطقه می‌باشد و قسمت جنوبی از افت کمتری برخوردار بوده است. نتیجه‌گیری: ترکیب مدلMLP و روش درونیابی کریجینگ، راه حلی مناسب و کم هزینه برای شبیه سازی تراز آب زیرزمینی دشت سرخس می‌باشد. پیشنهاد می‌گردد برای افزایش دقت مدل‌های هوش مصنوعی در صورت امکان از متغیرهای وابسته بیشتری استفاده شود. همچنین برای پیش‌بینی بهتر سطح آب زیرزمینی از مدل‌های هوش مصنوعی دیگر با الگوریتم‌های متفاوت استفاده شود.