شبیه سازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، الگوریتم بهینه‌سازی 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 می‌باشد. بنابراین مطالعه و پایش این عامل در زمین‌های تحت کشت نیشکر، امری لازم و ضروری می‌باشد. اما با توجه به وسعت زیاد مناطق زیر کشت نیشکر و تعدد زیاد مزرعه‌ها، مطالعه و پایش این عوامل در هر مزرعه بسیار وقت‌گیر و پرهزینه است. استفاده از مدل‌های کامپیوتری با توجه به سرعت بالا و هزینه کم، به‌عنوان گزینه‌ای مناسب جهت پایش اراضی مذکور در نظر گرفته می‌شود. بنابراین تحقیق حاضر با هدف دست‌یابی به بهترین و مناسب‌ترین روش‌ها و مدل‌های تخمین میزان شوری خاک با استفاده از مدل‌های شبکه عصبی (شبکه عصبی مصنوعی و الگوریتم تجمع ذرات) و مدل SEAWAT، در مزرعه R9-11از مزارع نیشکر دعبل خزاعی خوزستان صورت پذیرفت. در سال‌های اخیر به دلیل به آسانی کاربرد و دقت بالای این مد‌ل‌ها در تقریب معادله‌های غیرخطی و پیچیده ریاضی، استفاده از این مدل‌ها افزایش پیدا کرده است. ساعی و همکاران (2009)، از مدل شبکه عصبی برای پیش‌بینی شوری خاک استفاده کردند و کارائی خوب این مدل را در پیش‌بینی شوری خاک تایید نمودند. مواد و روش‌ها: در این پژوهش از شبکه عصبی مصنوعی (ANN)، الگوریتم تجمع ذرات) PSO+ANN) و مدل SEAWAT برای پیش‌بینی 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 می‌باشد، 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 می‌باشد که به روش پس انتشار خطا آموزش داده می‌شود. در انجام این پژوهش با استفاده از آموزش به روش PSO تلاش می‌گردد این مشکل برطرف شود. یافته‌ها: نتایج نشان داد که بالاترین دقت در پیش‌بینی شوری آب زیرزمینی مربوط به مدل شبکه عصبی با آموزش الگوریتم تجمع ذرات می‌باشد. به طوری‌که مقدارمیانگین RMSE اعماق مختلف بین مقادیر اندازه‌گیری شده و شبیه‌سازی شده با مدل‌های 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 مدل‌ها نشان از دقت بالای هر سه مدل (شبکه عصبی مصنوعی، الگوریتم تجمع ذرات و مدل SEAWAT) در شبیه‌سازی شوری آب زیرزمینی می‌باشند که از علل اصلی آن می‌توان به اندازه‌گیری دقیق ورودی‌های مدل‌ها اشاره کرد.