پيش‌بيني تراز سطح آب زيرزميني با شبكه‌هاي عصبي مصنوعي بر مبناي انتخاب متغيرهاي مؤثر ورودي با الگوريتم اطلاعات متقابل جزئي

پيش‌بيني دقيق و قابل اعتماد از سطح آب زيرزميني در يك منطقه براي استفاده پايدار و مديريت منابع آب بسيار مهم است. اين پژوهش با هدف ارزيابي شبكه‌هاي عصبي مصنوعي (ANNs)؛ پيش‌رونده عمومي (GFF) و تابع پايه شعاعي (RBF)  در پيش‌بيني ماهانه تراز سطح آب زيرزميني در دشت دزفول انديمشك در جنوب غربي ايران انجام شد. براي تعيين متغيرهاي مؤثر ورودي در ANNs از الگوريتم اطلاعات متقابل جزئي (PMI) استفاده شد. نتايج به‌كارگيري الگوريتم PMI نشان مي‌دهد كه متغيرهاي ورودي مؤثر بر پيش‌بيني ماهانه تراز سطح آب زيرزميني براي پيزومترهاي تحت تأثير برداشت و تغذيه آب، فقط شامل تراز سطح آب در ماه فعلي است. همچنين متغيرهاي ورودي مؤثر بر پيش‌بيني تراز سطح آب براي پيزومترهاي تحت تأثير فقط برداشت آب، به ترتيب شامل تراز سطح آب در ماه فعلي، تراز سطح آب در يك ماه قبل، تراز سطح آب در دو ماه قبل، مختصات عرضي پيزومتر به UTM، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل و مختصات طولي پيزومتر به UTM است. علاوه بر اين متغيرهاي ورودي مؤثر بر پيش‌بيني ماهانه تراز سطح آب زيرزميني براي پيزومترهاي نه تحت تأثير برداشت و نه تغذيه آب، به ترتيب شامل تراز سطح آب در ماه فعلي، تراز سطح آب در يك ماه قبل، تراز سطح آب در دو ماه قبل، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل، تراز سطح آب در شش ماه قبل، مختصات عرضي پيزومتر به UTM و مختصات طولي پيزومتر به UTM است. نتايج نشان مي‌دهد كه شبكه GFF از دقت بيشتري نسبت به شبكه RBF، در پيش‌بيني ماهانه تراز سطح آب زيرزميني براي پيزومترهاي شامل برداشت و تغذيه آب و پيزومترهاي شامل فقط برداشت آب برخوردار است. علاوه بر اين شبكه RBF دقت بيشتري در پيش‌بيني ماهانه تراز سطح آب زيرزميني براي پيزومترهاي شامل نه برداشت و نه تغذيه آب نسبت به شبكه GFF برخوردار است.