مدل سازی زمانی و مکانی سطح آب زیرزمینی دشتستان بوشهر با استفاده از هوش مصنوعی و زمین آمار

یکی از اقدامات اساسی برای رسیدن به مدیریت بهینه منابع آب، مدل سازی و پیش بینی سطح ایستابی چاه ها است. کنترل سطح ایستابی با استفاده از چاه های مشاهده ای، منبع اصلی اطلاعات جهت بررسی تنشهای هیدرولوژیکی محسوب میشود. با استفاده از داده های روزانه و ماهانه چاه ها میتوان نوسانات سطح آب را بررسی نمود و این بررسی ها به منظور درک رفتار منابع آب زیرزمینی در دراز مدت و اخذ هر گونه تصمیم مدیریتی لازم میباشد. با توجه به اهمیت پیشبینی تراز آب زیرزمینی، یافتن روشی مناسب در این خصوص دارای اهمیت میباشد. در سالهای اخیر کاربرد سامانه های هوشمند برای پیش بینی تراز آب زیرزمینی به سرعت رو به افزایش است که دلیل این امر به آسانی کاربرد و دقت بالای این مدل ها در تقریب معادله های غیرخطی و پیچیده ریاضی می باشد. هدف از این پژوهش پیشبینی سطح ایستابی آب زیرزمینی دشتستان بوشهر به کمک مدلهای شبکه عصبی مصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم میباشد.

در این تحقیق از مدلهای شبکه عصبی مصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم برای تخمین تراز آب زیرزمینی دشت دشتستان استفاده شد. همچنین از روش زمین آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. داده های مورد استفاده شامل تراز ماهانه سطح ایستابی 50 حلقه چاه موجود در آبخوان دشت طی یک دوره آماری ده ساله از سال 1388 تا 1397 بود. برای بررسی نتایج مدل های مذکور از معیارهای ارزیابی مجذور میانیگن مربعات خطا، میانگین مطلق خطا و ضریب تبیین R2 استفاده شد.

نتایج نشان داد هر سه روش دقت بالایی در شبیه سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R2 بالاتری (0/993)، کمترین مجذور میانگین خطا (0/29) و کمترین میانگین مطلق خطا (0/024) به عنوان روش برتر برای پیش بینی سطح ایستابی انتخاب شد. پهنه بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل 10 متر بود.

نتایج مدل سازی روش ها و نتایج آماره های ارزیابی مدل، نشان دهنده عملکرد خوب مدل ها در برآورد سطح ایستابی آب زیرزمینی است اما با توجه به مقایسه ضریب تبیین مدل ها در این تحقیق نشان داده شد که روش شبکه عصبی مصنوعی دقت بالاتری در پراکنش داده های موجود دارد و مقادیر محاسبه شده نسبت به مقادیر مشاهداتی مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر، اختلاف کمتری داشتند. در مجموع نتایج تحقیق نشان داد که روش شبکه عصبی مصنوعی دارای دقت بالاتری در تخمین میزان تراز آب زیرزمینی می باشد.