تخمین تغییرات سطح آب زیرزمینی با استفاده از چهار تکنیک متفاوت شبکه عصبی تکاملی (مطالعه موردی دشت عباس، استان ایلام)

در نواحی خشک و نیمه خشک، آب عمده ترین عامل محدودیت کشاورزی است. در این مناطق به دلیل کمبود جریان های سطحی، فشار عمده بر آب های زیرزمینی وارد می شود. منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی رویه دچار افت شدید گردیده است. در این تحقیق، ما از چهار مدل متفاوت شبکه عصبی تکاملی شامل، شبکه عصبی پرسپترون چندلایه با الگوریتم ژنتیک (ANN-GA)، شبکه عصبی پرسپترون چندلایه با بهینه سازی ازدحام ذرات (ANN-PSO)، شبکه عصبی پرسپترون چندلایه با الگوریتم رقابت استعماری (ANN-ICA) و شبکه عصبی پرسپترون چندلایه با بهینه سازی کلونی مورچگان (ANN-ACOR) برای تخمین سطح آب زیرزمینی بر طبق جریان ورودی زیرزمینی، نفوذ موثر از بارندگی، نفوذ موثر از جریان سطحی و سیلاب، نفوذ موثر از آب برگشتی کشاورزی، جریان خروجی زیرزمینی، برداشت از آبخوان جهت کشاورزی، تبخیر از سطح آب زیرزمینی و داده های گذشته سطح آب زیرزمینی استفاده کرده ایم. ترکیب ورودی ها با استفاده از تجزیه و تحلیل خود همبستگی، خود همبستگی جزیی و همبستگی متقابل برای هر مدل آماده شده است. مدل های بهینه با تغییر پارامترهای کنترلی به دست آمده اند. بهترین دقت از بین مدل های ارایه شده برای ورودی (GWLt-1 ، GWLt-2، Qint، Qpt-1، Qrt-1، Qit-1، Qoutt-1، Qwt-1 و Qet-1) به دست آمده است. دقت میانگین مربعات خطا در فاز آزمایش برای مدل های ANN-PSO، ANN-ICA، ANN-ACOR به ترتیب برابر 1.2208، 0.9456و 1.7720 و برای مدل ANN-GA برابر 0.8739 به دست آمده است. میانگین خطای نسبی مدل ANN-GA برابر 3.6% و ضریب اطمینان آن 0.9388 است. با توجه به نتایج به دست آمده مدل ANN-GA عملکرد بهتری نسبت به سه مدل دیگر برای تخمین سطح آب زیرزمینی از خود نشان داده است.