مدل سازی سطح آب زیرزمینی با تلفیق شبکه عصبی مصنوعی و موجک (مطالعه موردی: دشت شریف آباد)

در بسیاری از مناطق، استخراج بی¬رویه و خارج از قاعده آب¬های زیرزمینی که معمولاً به مراتب بیش از میزان تغذیه آن می¬باشد، اثرات جانبی زیان¬بار فراوانی از جمله کاهش سطح آب زیرزمینی، خشک شدن چاه¬ها، کاهش آب و یا خشک شدن قنات، چشمه¬ها و نهرها، تنزل کیفیت آب، افزایش هزینه پمپاژ و نشست زمین را در پی خواهد داشت. با وجود انعطاف¬پذیری شبکه¬های عصبی در پیش¬بینی سری¬های زمانی هیدرولوژیکی، گاهی این شبکه¬ها در پیش¬بینی سری¬های زمانی به شدت نا ایستا و ناپایدار با مشکل مواجه می¬شوند. در این حالت اگر هیچگونه پردازشی بر روی داده¬ها صورت نگیرد شبکه قادر به پیش¬بینی و حل مسئله نخواهد بود. آنالیز موجکی را می¬توان در تجزیه یک سری زمانی مشاهده¬ای (از قبیل تراز آب زیرزمینی) به مولفه¬های مختلف، مورد استفاده قرار داد، به¬گونه¬ای که سری زمانی جدید می-تواند به عنوان ورودی شبکه عصبی استفاده شود. هدف از انجام این تحقیق مدل¬سازی تراز آب زیرزمینی حوضه آبریز شریف¬آباد با بهره¬گیری از مدل ترکیبی آنالیز موجک – شبکه عصبی می¬باشد. از داده¬های ماهانه تراز آب زیرزمینی 9 حلقه چاه مشاهده¬ای واقع در حوضه آبریز شریف¬آباد استان قم در مدل¬سازی استفاده شده است. دو معیار ریشه خطای مربع متوسط (rmse) و ضریب کارایی نش- ساتکلیف (e)، جهت مقایسه نتایج حاصل از مدل هیبرید آنالیز موجک- شبکه عصبی (wnn)، مدل رگرسیون خطی چند متغیره (mlr) و مدل شبکه عصبی مصنوعی (ann)، استفاده شده است. نتایج مطالعه نشان داده است که مدل پیشنهادی، پیش¬بینی دقیقتری را برای تراز آب زیرزمینی ماهانه، نسبت به دو مدل ann و mlr فراهم می¬نماید؛ به طوری که دقت مدل¬های ترکیبی wnn حدوداً 17 تا 60 درصد افزایش داشته است. ارزیابی نتایج مدل¬ها نشان داده است که آنالیز موجکی قادر است که نتایج مدل شبکه عصبی را تا حد قابل¬ملاحظه¬ای بهبود بخشد.