تخمين پارامترهاي كيفي آب‌خوان دشت گيلان با استفاده از آزمون گاما و مدلهاي ماشين بردار پشتيبان و شبكه عصبي مصنوعي

زمينه و هدف: اطلاع از نحوه توزيع پارامترهاي كيفي و كمي از مهم ترين پارامترهاي اوليه مديريت جامع منابع آب زيرزميني مي باشد. بنابراين در اين تحقيق سعي گرديد، مدل و تركيب ورودي مناسب جهت تخمين پارامترهاي كيفي هدايت الكتريكي (EC)، يون كلسيم (Ca) و يون سديم (Na) آب خوان هاي دشت گيلان تعيين گردد. روش بررسي: در اين تحقيق از داده هاي 132 چاهك مشاهداتي در دوره آماري 1381 تا 1393 و مدل هاي شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) استفاده گرديده است. در رويكرد اول، تخمين ها به ازاي پنج تركيب مختلف حاصل از پارامترهاي تراز آب، فاصله از دريا، مجموع بارش هاي شش ماه و مختصات چاهك هاي مشاهداتي انجام گرفته است. در رويكرد دوم، تخمين ها براساس تركيب پارامترهاي كيفي منتخب آزمون گاما با تركيب هاي ورودي برتر بخش اول صورت گرفته است. يافته‌ها: مقايسه نتايج بخش اول نشان داد كه مدل SVM در تخمين هر يك از پارامترهاي Ca، Na و EC عملكرد بهتري نسبت به مدل ANN داشته است. مقادير خطاي ماشين بردار پشتيبان براي تخمين متغيرهاي Ca، Na و EC در دوره تست به ترتيب برابر با (meq/l) 1.218، (meq/l) 0.867 و (µmos/cm) 175.742 بوده است و اين مقادير براي مدل شبكه عصبي مصنوعي به ترتيب برابر با (meq/l) 1.268، (meq/l) 0.933 و (µmos/cm) 186.448 مي باشد. نتايج اين بخش نشان داد اضافه شدن ورودي فاصله از دريا در كليه موارد باعث بهبود نتايج مدل ها گرديده است. در بخش دوم با استفاده از آزمون گاما از بين نه پارامتر كيفي اندازه گيري شده ، بهترين تركيب پارامترهاي كيفي براي تخمين هر يك سه پارامتر Ca، Na و EC تعيين گرديد. نتايج تخمين ها در بخش دوم نشان داد كه هر يك از دو مدل ANN و SVM عملكرد بسيار مناسبي در تخمين هر سه پارامتر كيفي داشته اند. مقدار خطاي مدل ANN براي متغيرهاي Ca، Na و EC در دوره صحت سنجي به ترتيب برابر با (meq/l) 0.662، (meq/l) 0.305 و (µmos/cm) 47.346 بوده است و اين مقادير براي مدل SVM به ترتيب برابر با (meq/l) 0.671، (meq/l) 0.356 و (µmos/cm) 55.412 مي باشد. البته در اين بخش نتايج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتيجه‌گيري: نتايج نشان داد كه هر يك از دو مدل SVM و ANN توانايي بسيار زيادي در تخمين پارامترهاي كيفي آب خوان ها دارند. همچنين عملكرد مدل SVM نسبت به مدل ANN، به ازاي تعداد ورودي كمتر بهتر است و در تعداد ورودي بيشتر برعكس مي باشد. نتايج بخش دوم نشان داد كه آزمون گاما مي تواند به صورت كاملا كابردي و دقيق در تعيين تركيب هاي ورودي موثر مورد استفاده قرار گيرد.