مقايسه عملكرد مدل هاي هوشمند در شبيه سازي پارامترهاي كيفي آب سطحي و زيرزميني (مطالعه موردي:دشت ساوه)

هدف از تحقيق حاضر شبيه سازي پارامترهاي كيفيت منابع آب با استفاده از مدل هاي هوشمند و بررسي اثر منبع آب سطحي و زيرزميني در دقت شبيه‌سازي پارامترهاي كيفي آب مي باشد. در اين مطالعه كاربرد روش هاي شبكه عصبي مصنوعي (ANN) و عصبي-فازي (CANFIS) در شبيه‌سازي پارامترهاي مهم كيفي آب سطحي و زيرزميني دشت ساوه شاملTDS, SAR, EC,TH مورد ارزيابي قرار گرفت. بدين منظور پس از بررسي ميزان همبستگي كاتيون‌ها و آنيون‌ها با پارامترهاي هدف در هر دو منبع آبي، متغيرهاي كيفي SO4, Cl, Mg, Ca, pH طي دوره 50 ساله از 1345 لغايت 1395 به عنوان متغيرهاي ورودي انتخاب گرديدند. نتايج شبيه سازي نشان داد كه كمترين خطاي برآورد شبكه عصبي مصنوعي براي منابع زيرزميني و سطحي، به‌ترتيب مربوط به شبيه‌سازي TH و EC با خطاي NRMSE معادل 1.29 و 5.3 درصد بود. بيشترين مقدار خطا در هر دو منبع مربوط به پارامتر SAR مي باشد. به همين ترتيب، نتايج مشابه در شبيه-سازي با روش فازي-عصبي بدست آمد. آزمون تي-تست نشان داد، كه استفاده از روش هاي هوشمند عصبي و عصبي-فازي در برآورد پارامتر كيفي SAR در منابع آب زيرزميني اختلاف معني‌داري دارند، به طوري كه مقدار NRMSE از 32.09 درصد در روش ANN به 22.82 در روش CANFIS كاهش يافته است. در مورد ساير پارامترهاي كيفي آب زيرزميني، اختلاف معني‌داري مشاهده نگرديد. در مورد منابع آب سطحي، روش عصبي-فازي سبب بهبود معني‌دار نتايج مدل سازي پارامترهاي كيفي TDS, SAR شد، به‌طوري كه مقدار NRMSE به ترتيب از 60.35 و 29.27 درصد در روش شبكه عصبي مصنوعي به 28.72 و 16.85 درصد در روش فازي-عصبي كاهش يافت. در مجموع مي‌توان اين‌گونه استنباط نمود كه اثر نوع منبع آب در ميزان خطاي شبيه‌سازي هر يك از پارامترهاي كيفي مشهود بود..