Abstract:
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. در نواحی فلات مرکزی و جنوبی اجتماعات شهری و روستایی با اتکاء به منابع آب زیر زمینی شکل گرفته و این منابع عمدهترین تامین کننده نیازهای آبی در این مناطق محسوب میشود. رشد روز افزون جمعیت و محدودیت منابع آبی لزوم پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه میطلبد. پیش بینی سطح ایستابی با استفاده از ابزارها و روشهای نوین مدلسازی میتواند کمک شایانی به برنامه ریزی و تصمیم گیری بهینه جهت تامین دراز مدت آب نماید. هدف از این تحقیق تخمین سطح ایستابی آبخوان سرخون استان هرمزگان با استفاده از شبکه عصبی و بهره مندی از قانون Gradient Descent می باشد. این روش با استفاده از ارتباط ذاتی دادهها، روابط غیر خطی بین آنها را یاد گرفته و نتایج را برای بقیه حالتها تعمیم میدهد به منظور آموزش مدل از اطلاعات 10چاه مشاهده ای که دارای آمار 24ساله بودند استفاده گردید70درصد دادهها به عنوان دادههای آموزشی به مدل معرفی و20درصد دادهها به عنوان تست برای اعتبار سنجی به کار برده شد. نتایج این روش, تراز سطح ایستابی آبخوان سرخون برای سال1400را بین22تا72متر در مناطق مختلف پیش بینی می کند. ارزیابی این مدل با خطای RMSE بین 0.00125- تا0.0509و همچنین خطای MEA بین 0.0012- تا 0.049 کارایی مدل شبکه عصبی Gradient Descent را در پیش بینی سطح ایستابی منابع زیر زمینی نشان میدهد.
Machine summary:
"هدف از این مقاله ارائه مدلی نو با استفاده از شبکه عصبی مصنوعی و روش Gradient Descent جهت پیش بینی تراز سطح ایستابی آبخوان سرخون بـه صـورت مکـانی و بررسـی سـطح خطـای ایـن مـدل می باشد.
شکل ٥- پیش بینی تراز سطح آب در سال ١٤٠٠ برای هر یک از پیزومترها، مراحل آموزش ، صحت سنجی اجرا گردید و نتایج بدست آمده از هر مدل بر اساس دو معیار ارزیابی RMSE و MAEبدست آمد که پس از انتصاب میزان خطای هر چاه درون یابی گردید میزان پراکندگی این دو خطا برآورد شد که در شکل های هفت و هشت آورده شده است .
در انتها پیشنهاد می شود از انواع مدل های سری زمانی از جمله آریما، آرما و ساریما و دیگر مدل های شبکه عصبی استفاده گردد و نتایج را با تحقیق حاضر مقایسه نموده و مدلی که کمترین خطا را در پیش بینی تراز سطح ایستابی دشت ها را داراست برای مدیریت بهینه آب در آینده معرفی نمود.
٤- خاشعی سیوکی ، عباس ، بیژن قهرمان و مهدی کوچک زاده ، (١٣٩٢)، مقایسه مدلهای شبکه عصبی مصنوعی ANFS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور، نشریه آبیاری و زهکشی ایران ، شماره ١، جلد٧، ١٠-٢٢ ٥- خزایی ، مجید، محمدرضا میرزایی ، (١٣٩٢)، مقایسه کارایی پیش بینی دبی ماهانه با استفاده از روش های شبکه عصبی مصنوعی و سری های زمانی ، مجله مهندسی و مدیریت آبخیز، سال پنجم ، شماره ٢، ١٣٩٢ صص ٧٤-٨٤ ٦- متکان ، علی اکبر، بهناز عربی ، حسن لشکری ، بابک میرباقری ، (١٣٩٢)، برآورد میزان تغییرات بارندگی با استفاده از تلفیق تکنیک شبکه های عصبی مصنوعی و زمین آمار در شمال غرب ایران ، فصلنامه سنجش از دور و GIS ایران ، شماره ١٦، زمستان ١٣٩١ ،ص ٣٧ .
"Groundwater level forecasting in a shallow aquifer using artificial neural network approach", Water Resources Management, 2(1)77-99."