تخمين تغييرات سطح آب زيرزميني با استفاده از چهار تكنيك متفاوت شبكه عصبي تكاملي (مطالعه موردي دشت عباس، استان ايلام)

The Estimation of groundwater level changes using four different techniques of evolutionary neural network, case study of Dasht-e-Abbas plain, Ilam province

در نواحي خشك و نيمه خشك، آب عمده‌ترين عامل محدوديت كشاورزي است. در اين مناطق به دليل كمبود جريان‌هاي سطحي، فشار عمده بر آب‌هاي زيرزميني وارد مي‌شود. منابع آب زيرزميني محدوده مورد مطالعه (دشت عباس) نيز به دليل استفاده بي‌رويه دچار افت شديد گرديده است. در اين تحقيق، ما از چهار مدل متفاوت شبكه عصبي تكاملي شامل، شبكه عصبي پرسپترون چندلايه با الگوريتم ژنتيك (ANN-GA)، شبكه عصبي پرسپترون چندلايه با بهينه‌سازي ازدحام ذرات (ANN-PSO)، شبكه عصبي پرسپترون چندلايه با الگوريتم رقابت استعماري (ANN-ICA) و شبكه عصبي پرسپترون چندلايه با بهينه سازي كلوني مورچگان (ANN-ACOR) براي تخمين سطح آب زيرزميني بر طبق جريان ورودي زيرزميني، نفوذ موثر از بارندگي، نفوذ موثر از جريان سطحي و سيلاب، نفوذ موثر از آب برگشتي كشاورزي، جريان خروجي زيرزميني، برداشت از آبخوان جهت كشاورزي، تبخير از سطح آب زيرزميني و داده‌هاي گذشته سطح آب زيرزميني استفاده كرده‌ايم. تركيب ورودي‌ها با استفاده از تجزيه و تحليل خود همبستگي، خود همبستگي جزئي و همبستگي متقابل براي هر مدل آماده شده ‌است. مدل‌هاي بهينه با تغيير پارامترهاي كنترلي به دست آمده اند. بهترين دقت از بين مدل‌هاي ارائه شده براي ورودي (GWLt-1 ، GWLt-2، Qint، Qpt-1، Qrt-1، Qit-1، Qoutt-1، Qwt-1 و Qet-1) به دست آمده است. دقت ميانگين مربعات خطا در فاز آزمايش براي مدل‌هاي ANN-PSO، ANN-ICA، ANN-ACOR به ترتيب برابر 1.2208، 0.9456و 1.7720 و براي مدل ANN-GA برابر 0.8739 به دست آمده است. ميانگين خطاي نسبي مدل ANN-GA برابر 3.6% و ضريب اطمينان آن 0.9388 است. با توجه به نتايج به دست آمده مدل ANN-GA عملكرد بهتري نسبت به سه مدل ديگر براي تخمين سطح آب زيرزميني از خود نشان داده است.

In dry and semi-arid areas, water is the most factor of limiter in agriculture. In these areas, due to the lack of surface flows, major pressures enter on groundwater. Groundwater resources in the studied area (Dashte-Abbas plain) also suffered a severe drop in surface water due to unplanned use. In this study, we compared four different models of evolutionary neural network, a multi-layered perceptron neural network with Genetic Algorithm (ANN-GA), a multilayered perceptron neural network with particle swarm optimization (ANN-PSO), a multilevel perceptron neural network with Imperialism competitive algorithm (ANN-ICA) and multi-layered perceptron neural network with ant colony optimization (ANN-ACOR) for estimating groundwater level according to groundwater inflow, effective penetration of rainfall, effective penetration of surface flow and flood, effective penetration of return water Agriculture, underground outflow, withdrawal from aquifer for agriculture, evaporation from groundwater level and past groundwater data Were used. groundwater level comparisons are the combination of inputs has been prepared using Auto-correlation analysis, partial Auto-correlation and cross-correlation for each model. Optimal models are obtained by changing the control parameters. The best results are obtained from the input models (GWLt-1, GWLt-2, Qint, Qpt-1, Qrt-1, Qit-1, Qoutt-1, Qwt-1, and Qet-1). The accuracy of the mean squared error in the test phase for ANN-PSO, ANN-ICA, ANN-ACOR models was 1.2208, 0.9456 and 1.7720, respectively, and for the ANN-GA model, it was 0.8739. The mean relative error of ANN-GA model is 3.6% and its determined coefficient is 0.9388. According to the results, the ANN-GA model showed better performance than the other three models for estimating groundwater level.