پیش بینی تراز سطح آب زیرزمینی با شبکه های عصبی مصنوعی بر مبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی

پیش بینی دقیق و قابل اعتماد از سطح آب زیرزمینی در یک منطقه برای استفاده پایدار و مدیریت منابع آب بسیار مهم است. این پژوهش با هدف ارزیابی شبکه های عصبی مصنوعی (ANNs)؛ پیش رونده عمومی (GFF) و تابع پایه شعاعی (RBF)  در پیش بینی ماهانه تراز سطح آب زیرزمینی در دشت دزفول- اندیمشک در جنوب غربی ایران انجام شد. برای تعیین متغیرهای موثر ورودی در ANNs از الگوریتم اطلاعات متقابل جزیی (PMI) استفاده شد. نتایج به کارگیری الگوریتم PMI نشان می دهد که متغیرهای ورودی موثر بر پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای تحت تاثیر برداشت و تغذیه آب، فقط شامل تراز سطح آب در ماه فعلی است. همچنین متغیرهای ورودی موثر بر پیش بینی تراز سطح آب برای پیزومترهای تحت تاثیر فقط برداشت آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، مختصات عرضی پیزومتر به UTM، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل و مختصات طولی پیزومتر به UTM است. علاوه بر این متغیرهای ورودی موثر بر پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای نه تحت تاثیر برداشت و نه تغذیه آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل، تراز سطح آب در شش ماه قبل، مختصات عرضی پیزومتر به UTM و مختصات طولی پیزومتر به UTM است. نتایج نشان می دهد که شبکه GFF از دقت بیشتری نسبت به شبکه RBF، در پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل برداشت و تغذیه آب و پیزومترهای شامل فقط برداشت آب برخوردار است. علاوه بر این شبکه RBF دقت بیشتری در پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل نه برداشت و نه تغذیه آب نسبت به شبکه GFF برخوردار است.