ارتباط بین بارش و تراز آب زیرزمینی با استفاده از رگرسیون تاخیر زمانی

در کشور ایران شرایط اقلیمی به گونه ای است که حتی در پربارانترین مناطق کشور، به منابع آب زیرزمینی نیاز است و همه ساله این نیاز بیشتر میشود. از آنجا که آبهای زیرزمینی یکی از ارزشمندترین منابع آب در کشور ایران بهشمار میروند، پیش بینی تغییرات آن به منظور بهره برداری بهینه با هدف توسعه پایدار بسیار ضرورت است. یکی از پیچیده ترین فرآیندهای هیدرولوژیکی در طبیعت، فرآیند بارش-تراز آب زیرزمینی است که متاثر از پارامترهای مختلف فیزیکی و هیدرولوژیکی است. اگرچه مدل های مختلفی برای پیش بینی تغییرات تراز آب زیرزمینی با استفاده از الگوی بارش ارایه شده است اما به مدل تابع انتقال کمتر توجه شده است. از این رو هدف اصلی این پژوهش معرفی و استفاده از مدل تابع انتقال جهت پیش بینی تراز آب زیرزمینی ماهانه با استفاده از آمار بارش و مقایسه نتایج آن با مدل های شبکه عصبی-فازی و شبکه عصبی مصنوعی می باشد.

در پژوهش حاضر از آمار 30 ساله (1400-1371) ایستگاه های هواشناسی و چاه های مشاهده ای در 3 حوضه آبخیز گالیکش، رامیان و محمدآباد جهت مدل سازی بارش-تراز آب زیرزمینی استفاده شد.سپس، با توجه به اینکه سال های نزدیک تر به زمان حال اطلاعات دقیق تری از وضعیت این زمان دارند، سال ها به صورت فرآیند پیش رو در شبکه های عصبی مصنوعی در نظر گرفته شد. برازش مدل و پیش بینی مقادیر تراز آب زیرزمینی با استفاده از داده های بارش برای 12 ماه آینده به کمک سه مدل شبکه عصبی مصنوعی (ANN)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF) انجام شد. برای این منظور از نرم افزارهای MINITAB SAS, SPSS, و R استفاده شد. در مرحله بعد اعتبارسنجی مقادیر پیش بینی شده توسط مدل ها با استفاده از 3 شاخص میانگین قدرمطلق فاصله (MAD)، ریشه مربع میانگین خطا (RMSE) و میانگین قدرمطلق درصد خطا (MAPE) مورد ارزیابی قرار گرفت.

نتایج حاصل از نمودارهای خودهمبستگی نگار تراز آب زیرزمینی چاه ها نشان داد، تمامی سری های زمانی دارای روند فصلی با دوره 12 ماهه هستند. بر اساس نمودارهای خودهمبستگی متقابل نیز مشخص شد که اثر مستقیم بارش بر تراز آب زیرزمینی در دو حوضه آبخیز گالیکش و محمدآباد با تاخیر 3 ماهه و در حوضه آبخیز رامیان با تاخیر یک ماهه انجام شده است. نتایج اعتبارسنجی مدل ها با کمک 3 شاخص MAD، RMSE و MAPE نشان داد که مدل شبکه عصبی مصنوعی جهت پیش بینی تراز آب زیرزمینی با استفاده از داده های بارش ماهانه در هر 3 حوضه آبخیز مورد بررسی دارای مناسب ترین عملکرد می باشد (RMSE=0.0778, 0.0243, 0.0532m) و مدل شبکه عصبی-فازی (RMSE=0.1841, 0.0832, 0.1012m) در رتبه دوم قرار دارد. اگرچه مدل تابع انتقال نسبت به دو روش دیگر دقت کمتری داشت (RMSE=0.5711, 0.5023, 0.3234m)، اما این مدل در برازش مقادیر تراز آب زیرزمینی ماهانه عملکرد مناسبی داشته است. این مدل در شناسایی تاخیر در تاثیرگذاری بین متغیرهای ورودی و خروجی و همچنین بیان مدلی که می توان بر اساس آن نحوه اثرگذاری بارش را به صورت یک مدل بیان کرد، بسیار موثر است.

نتایج این پژوهش نشان داد که برای پیش بینی تراز آب زیرزمینی با کمک مقادیر بارش ماهانه، می توان از هر 3 مدل شبکه عصبی مصنوعی، شبکه عصبی-فازی و تابع انتقال استفاده کرد. برای 3 مدل مورد استفاده بیش برآوردی و کم برآوردی پیوسته که باعث افزایش خطا و کاهش عملکرد مدل ها می شود، مشاهده نشد. همچنین هر 3 مدل در تشخیص روندها و تغییرات داده ها عملکرد مناسبی دارند. با این وجود عملکرد مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر از دقت بالاتری برخوردار است. علاوه بر این هنگامی که از عملکرد پیش رو در مدل سازی شبکه عصبی مصنوعی استفاده می شود نسبت به حالتی که از سری کامل داده ها استفاده می شود، کارایی مدل به نحو چشمگیری بهبود می یابد.