کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش بینی تغییرات سطح آب زیر زمینی (مطالعه موردی: دشت مروست)

پیش ینی نوسانات سطح آب زیرزمینی، برای برنامه ریزی مناسب تر بویژه در مناطق خشک و نیمه خشک امری ضروری است. روند کلی هیدروگراف معرف آب زیرزمینی دشت مروست، براساس اطلاعات سطح آب زیرزمینی در طی سال های گذشته نزولی و نشانگر وقوع افت مداوم و کاهش ذخایر آب زیرزمینی می باشد. در این تحقیق برای پیش بینی نوسانات سطح آب زیرزمینی در دشت مروست از مدل های سری زمانی برای پیش بینی وضعیت سطح آب زیرزمینی استفاده شد. برای مدل سازی اطلاعات سطح آب زیرزمینی در طی سال های 88-1366 استفاده و مدل های مختلف سری زمانی تلفیقی و شبکه عصبی مصنوعی بر داده ها برازش داده شد. کارآیی و دقت مدل های آریما در پیش بینی مقادیر آتی توسط معیار اطلاعاتی آکائیک و جذر مربع میانگین خطاها مورد ارزیابی قرار گرفت. نتایج بررسی حالت های مختلف مدل آریما نشان داد که مدل arima(1,1,0) بهترین برازش را با داده ها دارد. در مدل شبکه عصبی مصنوعی پیش خور پس انتشار خطا از سه تابع آموزشی لونبرگ مارکوآرت، پس انتشار ارتجاعی و شیب توأم مقیاس شده استفاده شد. با توجه به نتایج به دست آمده از بین سه تابع آموزشی، تابع لونبرگ مارکوآرت به عنوان بهترین تابع آموزشی برای پیش بینی سطح آب زیرزمینی انتخاب گردید. برای ارزیابی و انتخاب روش بهتر، بین مدل سری زمانی تلفیقی arima (1,1,0) و مدل شبکه عصبی پیش خور پس انتشار خطا، از آماره های میانگین مربع خطاها، میانگین قدر مطلق خطاها و ضریب بازدهی استفاده شد که مدل شبکه عصبی نسبت به سری زمانی تلفیقی برتری جزئی نشان داد. جلوگیری از مصرف بی رویه آب بخصوص در بخش کشاورزی، مهمترین اقدامی است که باید در شیوه مدیریت بهینه مصرف آب صورت گیرد.