بررسی تغییرات منابع آب زیرزمینی در برنامه ریزی و مدیریت پایدار منابع آب هر منطقه از اهمّیّت فراوانی برخوردار است. یکی از جنبه های مدیریت علمی منابع آب زیرزمینی نیازمند دانستن رابطه خشکسالی با منابع آب زیرزمینی است. در بخش اول این مطالعه روند تراز آب زیرزمینی 32 ایستگاه پیزومتری در مقیاس ماهانه در منطقه دشت اردبیل در دوره آماری 1387-1367 با آزمون ناپارامتری مان کندال مورد بررسی قرار گرفت. برای هر سری زمانی شیب خطّ روند با استفاده از روش تخمین گر sen محاسبه شد. همگنی روند تغییرات تراز آب زیرزمینی با روش وان بل و هوقس مورد آزمون قرار گرفت. نتایج نشان داد که در همه ایستگاه ها (بجز ایستگاه های نیار مدرسه، ینگجه ملّا محمّد رضا، آغچه کندی و دروازه آستارا) تراز آب زیرزمینی دارای روند منفی است. در بیش از 72 درصد ایستگاه ها روند منفی (01/0p<) معنی دار مشاهده شد. بررسی شیب خطّ روند نشان داد که بطور متوسط تراز آب زیرزمینی در دشت اردبیل حدود 18 سانتی متر در سال افت دارد. بیشترین افت تراز آب زیرزمینی متعلّق به ایستگاه خلیفه لو شیخ بوده که دارای شیب منفی 93/1 متر در سال می باشد. نتایج آزمون همگنی نشان داد که روند تراز آب زیرزمینی در ماه های مختلف همگن، ولی در ایستگاه های مختلف غیر همگن می باشد. نتایج آزمون مان کندال دنباله ای برای متغیر تراز آب زیرزمینی نشان داد که کاهش تراز آب زیرزمینی در اکثر سال ها قبل از سال 1367 اتفاق افتاد و در طول دوره آماری، اگر روندی آغاز شود شروع آن سال 1368 بوده و در سال 1369 این روند معنی دار بود. در بخش دیگر این پژوهش تجزیه و تحلیل روند تغییرات کیفی آب زیرزمینی با توجه به اطلاعات 13 ایستگاه پیزومتری در منطقه دشت اردبیل در دوره آماری 1387-1374 با آزمون ناپارامتری مان-کندال مورد بررسی قرار گرفت. قبل از تجزیه و تحلیل روند اثر خود همبستگی معنی دار مرتبه اول از سری داده ها حذف گردید. متغیرهای کیفی مورد بررسی شامل مجموع آنیون ها و کاتیون ها، ph، th، ec، so42-، na%، na+، mg2+، tds، sar، cl- و hco3- می باشد که در هر سال 2 بار اندازه گرفته شده است. برای هر سری زمانی شیب خطّ روند با استفاده از روش تخمین گر sen محاسبه شد. نتایج نشان داد که روند تغییرات غلظت تمام متغیرهای کیفی آب در تمام ایستگاه ها افزایشی است. روند تغییرات متغیرهای کیفی مذکور از نظر آماری در ماه پرآب برای 23% و در ماه کم آب برای 5/19% از سری ها در سطح 5% معنی دار بودند. شیب خط روند برای هر سری زمانی با روش تخمین گر sen مشخص و نتایج بصورت نمودار باکس ویسکر نشان داده شده است. روند تغییرات کیفیت آب زیرزمینی در ماه پرآب در مرکز و شرق دشت و در ماه کم آب مرکز و غرب دشت صعودی است. علت اصلی افزایش غلظت متغیرهای کیفی مورد مطالعه در آب زیرزمینی، گسترش شهرنشینی در شهر اردبیل و نفوذ فاضلاب های شهری، صنعتی و کشاورزی به آب زیرزمینی دشت اردبیل تشخیص داده شده است.

در این رساله هسته اصلی مباحث بر روی بهره گیری از ابزار محاسبات نرم به ویژه هوش مصنوعی، تبدیل موجک به همراه مفهوم آنتروپی برای مدلسازی کمی و کیفی منابع آب زیرزمینی با در نظر گرفتن روش خوشه بندی و اطلاع از روابط بین فرآیندهای هیدرولوژیکی (روابط بین بارش، رواناب و تراز یا کیفیت آب زیرزمینی) متمرکز شده است. به بیان دیگر مدلسازی و برآورد منابع آب زیرزمینی با مدل های مختلف خطی و غیرخطی صورت پذیرفته است. در این راستا، خوشه بندی براساس نقشه های خود سازمانده ((som) self-organizing map ) برای تعیین مناطقی همگن از نظر داده های آب زیرزمینی جهت استفاده در مدل های هوش مصنوعی برای مدلسازی منابع آب زیرزمینی استفاده شد. تبدیل موجک برای استخراج ویژگی های زمانی و ناایستایی سری های زمانی تراز آب زیرزمینی، بارش و رواناب بکار رفت. تابع اطلاعات مشترک ((mi)mutual information ) به عنوان معیاری برای اندازه گیری روابط غیرخطی و تبدیل وابستگی موجکی ((wtc)wavelet transform coherence ) به عنوان معیار اندازه گیری روابط فرکانسی برای انتخاب ورودی های موثر مدل های شبکه عصبی و نروفازی استفاده شد. عملکرد مدل های مختلف هوش مصنوعی با روش پیشنهادی جدید هوش مصنوعی-موجکی مقایسه شد. در این مدلسازی از مدل های هوش-مصنوعی برای پیش بینی یک و چند ماه جلوتر و پرکردن داده های مفقوده تراز آب زیرزمینی تحت 3 سناریو و پیش بینی پارامترهای کیفی آب زیرزمینی (هدایت الکتریکی و مقدار کل جامدات محلول) استفاده گردید. نتایج نشان داد که روش پیشنهادی در ترکیب با روش خوشه بندی som، ابعاد متغیرهای ورودی را کاهش داده و در نتیجه پیچیدگی مدل های هوش مصنوعی را کاهش می دهد. از طرف دیگر، اعمال تبدیل موجک به داده های تراز آب زیرزمینی دشت اردبیل، عملکرد مدل های شبکه عصبی را بطور متوسط تا 75/15% و مدل های نرو-فازی را 58/9% را بهبود بخشید. همچنین، استفاده از ابزار وابستگی موجکی نیز عملکرد مدل های شبکه عصبی را 82/23% و مدل های نرو-فازی را 38/15% در مدلسازی تراز آب زیرزمینی حوضه تامپابای بهبود داد. استفاده از ابزار mi نیز دقت مدلسازی هوش مصنوعی را در مدلسازی پارامترهای کیفی هدایت الکتریکی و مقدار کل جامدات محلول 5/84% و 17% نسبت به مدل خطی بهبود داد.