فصلنامه مدیریت محیط زیست شهری

شبیه‌سازی تراز سطح آب زیرزمینی آبخوان دشت بافت با استفاده از مدل شبکه عصبی تابع شعاع مدار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.

2 کارشناس ارشد مهندسی و مدیریت منابع آب و مدیر آزمایشگاه فنی و مکانیک خاک سد و نیروگاه خرسان، وزارت راه و شهرسازی.

چکیده
آبهای زیرزمینی همواره به عنوان یکی از منابع مهم و اساسی تأمین آب شرب، کشاورزی و زیست محیطی به ویژه در مناطق خشک مطرح بوده اند. شبیه سازی سطح آب زیرزمینی یک منطقه نقش مهمی را در مدیریت منابع آبی ایفا می کند. به همین دلیل، امروزه شبیه سازی تراز آب زیرزمینی با استفاده از مدل های ریاضی و کامپیوتری با صرف زمان و هزینه نسبتا پایین در مطالعات آب های زیرزمینی مورد توجه می باشد. در مطالعه حاضر، با استفاده از مدل شبکه عصبی تابع شعاع مدار (RBFNN) تراز آب زیرزمینی منطقه بافت واقع در استان کرمان مورد شبیه سازی قرار گرفت. پارامترهای بارش، تبخیر، آورد رودخانه، نیاز آبی منطقه، میزان برداشت از آبخوان و تراز آب زیرزمینی با یک دوره تاخیر زمانی به عنوان ورودی و تراز سطح ایستابی در دوره موردنظر به عنوان خروجی مدل در مقیاس زمانی ماهانه در طی دوره آماری (1395-1381) انتخاب گردید. همچنین به منظور ارزیابی عملکرد مدل از شاخص های ضریب تبیین، جذر میانگین مربعات خطا، میانگین قدر مطلق خطا، مربع میانگین خطای استاندارد، مربع میانگین خطای استاندارد نرمال شده و شاخص توافق ویلموت استفاده شد. نتایج حاصل از شاخص های آماری نشان داد که مدل شبکه عصبی تابع شعاع مدار به ترتیب با ضریب تبیین(R2)، جذر میانگین مربعات خطا(RMSE)، میانگین قدر مطلق خطا(MAE)، مربع میانگین خطای استاندارد(MSE)، مربع میانگین خطای استاندارد نرمال شده(NMSE) و شاخص توافق ویلموت(d)، 9989/0، 1256/0، 064/0، 0158/0، 0011/0 و 9997/0 توانایی بالایی در شبیه سازی تراز آب زیرزمینی دارد و نتایج قابل اطمینانی را ارائه می دهد.

کلیدواژه‌ها


1-ملک زاده، م؛ کاردار، س؛ شعبانلو، س. شبیه سازی تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک-ماشین آموزش نیرومند خودتطبیقی. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 1399، 51(4 )، 975-986. SID. https://sid.ir/paper/365923/fa
2-کریمیان، ع؛ اگدرنژاد، ا. شبیه سازی پارامترهای شوری و سطح آب زیرزمینی دشت رامهرمز با استفاده از مدل شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی بهینه شده. پژوهش در بهداشت محیط، 1400، 7(1 )، 17-26. SID. https://sid.ir/paper/1081510/fa
3-ترابی پوده، ح؛ نصرالهی، ع. ح؛ دهقانی، ر. ارزیابی مدل شبکه عصبی موجک در پیش بینی منابع آب زیرزمینی (مطالعه موردی: استان لرستان, ایران). هیدروژئولوژی، 1400، 6(1 )، 1-12. SID. https://sid.ir/paper/1036278/fa
4-کماسی، م؛ قشلاقی، ن؛ شرقی، س. پیش بینی تراز سطح آب با استفاده از مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی. مهندسی عمران و محیط زیست (دانشکده فنی)، 1401، 52(3 (پیاپی 108) )، 105-115. SID. https://sid.ir/paper/1051218/fa
5-عسکری، ج؛ اگدرنژاد، ا. مدل سازی آب زیرزمینی با استفاده از روش های هوش مصنوعی (مطالعه موردی: دشت دزفول-اندیمشک). پژوهش در بهداشت محیط، 1401، 8(2 )، 160-171. SID. https://sid.ir/paper/1081450/fa
6-Daliakopoulos, I. N., Coulibaly, P., and Tsanis, I. K. Groundwater level forecasting using artificial neural networks. Journal of hydrology, 2005. 309(1-4), 229-240. https://doi.org/10.1016/j.jhydrol.2004.12.001
7-Nourani, V., Mogaddam, A. A., and Nadiri, A. O. An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes: An International Journal, 2008. 22(26), 5054-5066. https://doi.org/10.1002/hyp.7129
8-Chitsazan, M., Rahmani, G., and Neyamadpour, A. Groundwater level simulation using artificial neural network: a case study from Aghili plain, urban area of Gotvand, south-west Iran. Geopersia, 2013. 3(1), 35-46. DOI: 10.22059/jgeope.2013.31930
9-Khaki, M., Yusoff, I., and Islami, N. Simulation of groundwater level through artificial intelligence system. Environmental Earth Sciences, 2015. 73, 8357-8367. https://doi.org/10.1007/s12665-014-3997-8
10-Malekzadeh, M., Kardar, S., and Shabanlou, S. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 2019. 9, 100279. https://doi.org/10.1016/j.gsd.2019.100279
11-شرکت سهامی آب منطقه ای کرمان، طرح مطالعات زیست محیطی، منابع و مصارف حوضه غرب جازموریان با رویکردی سیستمی و جامع نگر، گزارش شرکت مهندسین مشاور یکم، وزارت نیرو، 1388.
12-یقینی، م؛ اخوان کاظم زاده، م. ر. الگوریتم‌های بهینه‌سازی فراابتکاری، تالیف. چاپ اول، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 1390، 448 ص.
13-منهاج، م. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر حسابی، تهران، 1377، 715 صفحه.
14-محمدی زاده، ر. مدل‌سازی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و سری‌های زمانی چندمتغیره. پایان‌نامه کارشناسی ارشد، دانشگاه باهنر کرمان، 1391.
15-شهریار شاه حسینی، ه؛ موسوی میر کلائی، س. م؛ ملاجعفری، م. الگوریتم‌های تکاملی مبانی، کاربردها، پیاده سازی، تالیف، چاپ اول، انتشارات دانشگاه علم و صنعت ایران، 1391، 590 ص.
16-Kia, E., Emadi, A. R., and Fazlola, R. Investigation and evaluation of artificial neural networks in Babolroud River suspended load estimation. Journal of Civil Engineering and Urbanism, 2013. 3(4), 183-190. http://www.ojceu.ir/main/
17-Rosenblatt, J. S., and Aronson, L. R. The decline of sexual behavior in male cats after castration with special reference to the role of prior sexual experience. Behaviour, 1958. 12(4), 285-338.
دوره 2، شماره 2 - شماره پیاپی 6
تابستان 1403
صفحه 92-109

  • تاریخ دریافت 27 خرداد 1403
  • تاریخ بازنگری 28 خرداد 1403
  • تاریخ پذیرش 28 خرداد 1403
  • تاریخ اولین انتشار 01 تیر 1403
  • تاریخ انتشار 01 تیر 1403