پيش بيني سطح آب زيرزميني با استفاده از مدل هاي منطق فازي، شبكه عصبي و سري زماني

Groundwater Level Prediction of Ajabshir Plain using Fuzzy Logic, Neural Network Models and Time Series

در مطالعات آب‌هاي زيرزميني، تغييرات سطح ايستابى از اهميت فراواني برخوردار است. به همين دليل، امروزه شبيه‌سازي جريان آب زيرزميني توسط مدل‌هاي رياضي و كامپيوتري كه يك روش غيرمستقيم مطالعه آب زيرزميني مي‌ّباشد، با صرف هزينه كمتر صورت مي‌گيرد. پيش‌بيني سطح آب زيرزميني يك حوضه نقش مهمي را در مديريت منابع آبي ايفا مي‌كند. به‌خصوص در مناطق نيمه‌خشك آب‌هاي زيرزميني نقش بسيار مهمي در تعيين آب مورد نياز، كشاورزي، شهري و امور صنعتي دارد. در اين تحقيق كارايي مدل­هاي شبكه­ هاي عصبي مصنوعي، منطق فازي و سري زماني در تخمين سطح آب زيرزميني آبخوان دشت عجب‌شير مورد بررسي قرار گرفت. پارامترهاي بارندگي، دما، دبي جريان و تراز سطح ايستابي در دوره زماني ماه قبل به‌عنوان ورودي و تراز سطح ايستابي در دوره موردنظر به‌عنوان خروجي مدل‌ها در مقياس زماني ماهانه در طي دوره آماري (1396-1385) انتخاب گرديد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا براي ارزيابي و نيز مقايسه عملكرد مدل‌ها مورد استفاده قرار گرفت. نتايج حاصله نشان داد كه مدل‌ منطق فازي مي‌تواند تراز سطح ايستابي را با دقت قابل قبولي پيش‌بيني نمايد. توابع عضويت استفاده شده براي مدل­سازي فازي سطح ايستابي، تابع عضويت گوسي بود كه به داده ­هاي دسته‌بندي شده برازش داده شد و نيز تابع عضويت خروجي مدل ساگنو تابعي است خطي كه بر اساس ورودي­ها ساخته مي‌شود. در مورد دقت، مدل منطق فازي با بيشترين با ضريب همبستگي، كمترين ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا به عنوان بهترين مدل براي پيش‌بيني سطح آب زيرزميني شناخته شد.

Groundwater system studies to understanding its behavior, requires the exploratory drilling wells, pumping test and geophysical experiments, which can carried out with most cost. For this reason, simulation of groundwater flows by mathematical and computer models, which is an indirect method to groundwater studies, is being spent a few costs. In this research, the efficiency of artificial neural network, fuzzy logic and time series models has been investigated in groundwater level estimation of Ajabshir plain. Parameters of precipitation, temperature, flow rate and water level within time period of the previous month were used as input and the water table in each period were selected as output through monthly scale (2007-2018). To evaluating the performance of models, Correlation coefficient, root mean square error and coefficient of mean absolute error were used. The results showed that the Fuzzy Logic model are able to estimate water levels with acceptable accuracy. Gaussian functions was a membership functions of fuzzy model in groundwater level prediction, which fitted to the classified data and the output membership function of the sageno model is a function which is based on the inputs. In terms of accuracy, fuzzy logic model with the highest correlation coefficient (0.96), lowest root mean square error (0.068 m) and mean absolute error (0.056 m) was recognized as a best the model in the groundwater level prediction.