تحليل مكاني و زماني تراز آب زيرزميني با استفاده از رويكرد همگني ناحيه اي با تلفيق شبكه عصبي مصنوعي (منطقه مورد مطالعه: آبخوان مياندوآب)

Spatio-temporal Analysis of Groundwater Level Using Clustering Method Combined with Artificial Neural Network

با توجه به اهميت منابع آب زيرزميني در تامين مطمين نياز آبي كشورها، بويژه در مناطق خشك و نيمه خشك، برنامه ريزي بلند مدت و مديريت صحيح بهره برداري از اين منابع ارزشمند امري ضروري مي باشد. بدين منظور استفاده از ابزارهاي مناسب شبيه سازي جهت پيش بيني تغييرات مكاني و زماني سفره هاي آب زيرزميني و رفتار آتي آنها بسيار مفيد مي باشد. اين مطالعه با هدف منطقه بندي آبخوان مياندوآب و پيش بيني مكاني و زماني سطح آب زيرزميني با استفاده از روش شبكه عصبي مصنوعي انجام شده است. ابتدا جهت شناسايي اهميت پارامترهاي موثر در شبيه سازي، شش پارامتر ضريب قابليت انتقال، سطح آب زيرزميني، تراز زمين، افت آب زيرزميني، بارندگي و تخليه در سطح منطقه خوشه بندي مكاني شد. پس از تحليل آماري از سه رويكرد خوشه بندي منفرد، سه پارامتره و تلفيقي استفاده گرديد. تعداد خوشه هاي مناسب با استفاده از عرض سيلهوت تعيين شد. در فرايند آموزش و صحت سنجي مدل از داده هاي 77 چاه مشاهده اي آبخوان مياندوآب، كه داراي سري زماني اندازه گيري شده 10 ساله (1391-1382) براي سطح آب زيرزميني مي باشند، استفاده شد. نتايج تحليل خوشه بندي مكاني نشان داد كه رويكرد خوشه بندي با در نظر داشتن همبستگي داراي دقت بهتري است. پس از انتخاب رويكرد مكاني مناسب، 4 پارامتر بارندگي، تغذيه آبخوان، تخليه آبخوان و سطح آب زيرزميني در ماه قبل به عنوان متغيرهاي ورودي به شبكه عصبي مصنوعي انتخاب گرديد. پس از شبيه سازي سطح آب زيرزميني با استفاده از روش شبكه عصبي پس انتشار برگشتي، پيش بيني سطح آب زيرزميني براي 2 سال انجام گرفت. نتايج نشان داد كه تغييرات ضريب همبستگي در 6 خوشه بين 0/71 تا 0/97 و ميزان تغييرات ميانگين مجذور خطا بين 0/19 تا 0/58 بوده كه حاكي از دقت مناسب اين رويكرد جهت پيش بيني سطح آب زيرزميني است.

Long-term planning and proper management of groundwater resources utilization are essential to ensure a reliable supply of water to countries, especially in arid and semi-arid regions. Therefore, it is necessary to employ appropriate models to predict the spatial and temporal fluctuations of aquifers and their future behavior. This study aimed to apply zoning strategies to Miandoab aquifer and predict its spatial and temporal groundwater level using an artificial neural network. First, the six parameters of transmissivity coefficient, groundwater level, ground elevation, withdrawal, rainfall, and discharge were spatially clustered to identify their effect on the simulation model. Three clustering approaches of single-parameter, three-parameter and integrated-parameter were evaluated using some statistical indices. The number of suitable clusters was determined using silhouette width. Groundwater level data (2002-2012) from 77 observational wells were used for model training and validation. Results showed that the correlation clustering approach performs better than the other methods. Precipitation, aquifer recharge, aquifer discharge, and groundwater level of the previous month were inputs to the back-propagation artificial neural network (ANN) for predicting a two-year period of groundwater level. The results showed that the correlation coefficients of variation in 6 clusters were 0.71- 0.97, and the RMSE variations were 0.19 - 0.58, indicating appropriate accuracy of this approach for predicting groundwater level.