چکیده:
في السنوات الأخيرة، كان مستوى المياه الجوفية في تناقص نتيجة للتغيرات المناخية وكذلك طريقة ومقدار استغلالها. ونظراً لزيادة الطلب على المياه والتناقص الحاد في المياه الجوفية، فإن الإدارة المستدامة لهذه الموارد تحظى بأهمية كبيرة. يمكن أن تساعد التنبؤات بمستوى المياه باستخدام النماذج الرياضية والإحصائية بشكل كبير في التخطيط واتخاذ القرارات المناسبة لضمان إمدادات المياه على المدى الطويل. في هذه الدراسة، تم السعي للتنبؤ بمستوى المياه الجوفية باستخدام الشبكة العصبية لتقليل التدرج ودالة النقل Hyperbolic Tangent. وتم تنفيذ نموذج دالة النقل Tanh مع 40 عصبون في الطبقة المخفية بمعامل ارتباط 0.99 ومربع متوسط الخطأ 0.01 للتنبؤ بمستوى المياه الجوفية. من خلال تعميم هذا النموذج على عشر آبار مراقبة واستخدامه في نظام المعلومات الجغرافية، تم تقدير النموذج المكاني المستمر لمستوى المياه الجوفية في سهل سرخون لعام 1400 هجري شمسي. وأظهرت النتائج أن مستوى المياه الجوفية في الجزء الغربي من السهل هو الأعلى بمقدار 72.98 مترًا، بينما في الجزء الشرقي من السهل وبسبب الكثافة السكانية الأكبر، كان الأدنى بمقدار 18.72 مترًا. مع الأخذ بعين الاعتبار نسبة الخطأ المنخفضة للنموذج، يمكن الاستنتاج أنه بتطبيق هذا النموذج في مجالات أخرى يمكن الحصول على توقعات دقيقة لمستوى المياه الجوفية واستخدامها في تخطيط وإدارة مستدامة للمياه الجوفية.
خلاصه ماشینی:
دالة hyperbolic tangent هي: (يرجى الرجوع إلى صورة الصفحة) بعد تنفيذ خوارزميات الشبكة العصبية بعدد مختلف من العصبونات في برنامج MATLAB، تم الحصول على نتائج التنبؤ بارتفاع المياه في سهل سرخون باستخدام دوال انتقال Hyperbolic tangent.
الجدول (٣) معدلات الخطأ المختلفة مع أعداد مختلفة من العصبونات Table (3) shows the error rates with different number of neurons عدد العصبونات ٥ ١٠ ١٥ ٢٠ ٤٠ Tanh MAE 0/0340 0/0188 0/0155 0/0154 0/0125 RMSE 0/0343 0/0193 0/0162 0/0159 0/0132 2 0/9979 0/9993 0/9995 0/9996 0/9997 ܴ (يرجى الرجوع إلى صورة الصفحة) الشكل (٣) نتائج التنبؤ بمتوسط مستوى المياه الجوفية باستخدام دالة انتقال التانغنت وعصبونات مختلفة Fig (3) shows the results of the prediction of the mean water level with the tangent transfer function and different neurons كما هو ملاحظ، مع زيادة عدد العصبونات، انخفضت قيم MAE و RMSE وزادت قيمة R٢ واقتربت من الواحد، وكل هذه الأمور تشير إلى انخفاض مقدار الخطأ مع زيادة عدد العصبونات.
الجدول (٥) مقدار RMSE لطرق الاستكمال Table (5) RMSE Interpolation Methods RMSE طريقة الاستكمال Inverse distance weighting with powe1 15/64 Inverse distance weighting with powe3 13/36 Inverse distance weighting with powe4 14/93 Local Polynomial Interpolation 11/15 Radial Basis Function 9/14 Simple Kiriging 14/78 Universal Kiriging 11/71 Ordinary Kiriging 10/63 الشكل (٤) النموذج المكاني المتوقع لمستوى المياه الجوفية في سهل سرخون لعام ١٤٠٠ Fig (4) The predicted spatial model of the water level in the Sarakhoon plain of 1400 ٤- الاستنتاج لقد تم استخدام نماذج الشبكات العصبية بشكل متزايد في السنوات الأخيرة للتنبؤ بالمتغيرات الهيدرولوجية مثل مستوى ارتفاع المياه الجوفية.
(
, 
, 
)
