تلفیق شبکه عصبی مصنوعی و روشهای زمین آماری در مدل سازی آب زیرزمینی

با توجه به اهمیت بسزای آب زیرزمینی در توسعه پایدار فعالیت های اقتصادی به ویژه در مناطق خشک و نیمه خشک، مطالعه دقیق و برآورد صحیح تراز آب زیرزمینی همواره مورد توجه محققین بوده است. به دلیل پیچیدگیهای موجود در طبیعت سیستمهای آب زیرزمینی و همچنین محدودیتهای موجود در حفر گمانه ها، مدلسازی زمانی و مکانی تراز آب زیرزمینی به آسانی میسر نمی باشد. اما شبکه های عصبی مصنوعی دارای توانایی بالایی در مدلسازی سیستمهای پیچیده و غیرخطی هستند و روشهای زمین آماری نیز در مدلسازی آب زیرزمینی دارای دقت مناسبی میباشند. هدف از انجام این تحقیق، تلفیق روشهای شبکه های عصبی مصنوعی و زمین آماری به عنوان روشی نو برای پیش بینی زمانی و مکانی تراز آب زیرزمینی در دشت سمنان می باشد. در مرحله اول، مدلسازی زمانی سطح ایستابی با استفاده از مدل شبکه عصبی مصنوعی انجام گرفت که شبکه عصبی پس انتشار با الگوریتم آموزش لونبرگ – مارکوارت توانست پیش بینی ماهانه تراز آب زیرزمینی در بازه زمانی 45 ماهه را در مرحله تست با دقت بالا ارائه دهد (919/0= r2 و 0014/0 = rmse )در مرحله دوم، از داده های خروجی شبکه عصبی مصنوعی، به عنوان داده های ورودی مدل زمین آمار استفاده گردید که مدل کریجینگ خطی به عنوان بهترین مدل برای توسعه مکانی تراز آب زیرزمینی انتخاب گردید (801/0=r2 و 769/3= rmse)بنابراین می توان گفت تلفیق مدل شبکه عصبی پس انتشار و مدل کریجینگ خطی، یک روش مناسب برای پیش بینی زمانی و مکانی تراز آب زیرزمینی در دشت سمنان می باشد.