ارتباط بين بارش و تراز آب زيرزميني با استفاده از رگرسيون تاخير زماني

سابقه و هدف: ﺩﺭ ﻛﺸﻮﺭ ايران ﺷﺮﺍﻳﻂ ﺍﻗﻠﻴﻤﻲ ﺑﻪﮔﻮﻧﻪﺍي ﺍﺳﺖ ﻛﻪ ﺣﺘﻲ ﺩﺭ پرﺑﺎﺭﺍﻥﺗﺮﻳﻦ ﻣﻨﺎﻃﻖ ﻛﺸﻮﺭ، ﺑﻪ منابع ﺁﺏ ﺯﻳﺮﺯﻣﻴﻨﻲ ﻧﻴﺎﺯ است ﻭ همه ساله ﺍﻳﻦ ﻧﻴﺎﺯ ﺑﻴﺸﺘﺮ ﻣﻲﺷﻮﺩ. از آنجا كه ﺁﺏﻫﺎي ﺯﻳﺮﺯميني يكي از ﺍﺭﺯﺷﻤﻨﺪﺗﺮﻳﻦ ﻣﻨﺎﺑﻊ ﺁﺏ در كشور ايران ﺑﻪﺷﻤﺎﺭ ﻣﻲﺭﻭﻧﺪ، پيش‌بيني تغييرات آن ﺑﻪ ﻣﻨﻈﻮﺭ ﺑﻬﺮﻩﺑﺮﺩﺍﺭي ﺑﻬﻴﻨﻪ ﺑﺎ ﻫﺪﻑ ﺗﻮﺳﻌﻪ ﭘﺎﻳﺪﺍﺭ بسيار ﺿﺮﻭﺭﺕ است. يكي از پيچيده‌ترين فرآيندهاي هيدرولوژيكي در طبيعت، فرآيند بارش-تراز آب زيرزميني است كه متاثر از پارامترهاي مختلف فيزيكي و هيدرولوژيكي است. اگرچه مدل‌هاي مختلفي براي پيش‌بيني تغييرات تراز آب زيرزميني با استفاده از الگوي بارش ارايه شده است اما به مدل تابع‌انتقال كمتر توجه شده است. از اين‌رو هدف اصلي اين پژوهش معرفي و استفاده از مدل‌ تابع انتقال جهت پيش‌بيني تراز آب زيرزميني ماهانه با استفاده از آمار بارش و مقايسه نتايج آن با مدل‌هاي شبكه عصبي-فازي و شبكه عصبي مصنوعي مي‌باشد. مواد و روش‌ها: در پژوهش حاضر از آمار 30 ساله (1400-1371) ايستگاه‌هاي هواشناسي و چاه‌هاي مشاهده‌اي در 3 حوضه آبخيز گاليكش، راميان و محمدآباد جهت مدل‌سازي بارش-تراز آب زيرزميني استفاده شد.سپس، با توجه به اينكه سال‌هاي نزديك‌تر به زمان حال اطلاعات دقيق‌تري از وضعيت اين زمان دارند، سال‌ها به صورت فرآيند پيش‌رو در شبكه‌هاي عصبي مصنوعي در نظر گرفته شد. برازش مدل و پيش‌بيني مقادير تراز آب زيرزميني با استفاده از داده‌هاي بارش براي 12 ماه آينده به كمك سه مدل شبكه عصبي مصنوعي (ANN)، شبكه عصبي-فازي (ANFIS) و تابع انتقال (TF) انجام شد. براي اين منظور از نرم‌افزارهاي MINITAB SAS, SPSS, و R استفاده شد. در مرحله بعد اعتبارسنجي مقادير پيش‌بيني شده توسط مدل‌ها با استفاده از 3 شاخص‌ ميانگين قدرمطلق فاصله (MAD)، ريشه مربع ميانگين خطا (RMSE) و ميانگين قدرمطلق درصد خطا (MAPE) مورد ارزيابي قرار گرفت.يافته‌ها: نتايج حاصل از نمودارهاي خودهمبستگي‌نگار تراز آب زيرزميني چاه‌ها نشان داد، تمامي سري‌هاي زماني داراي روند فصلي با دوره 12 ماهه هستند. بر اساس نمودارهاي خودهمبستگي متقابل نيز مشخص شد كه اثر مستقيم بارش بر تراز آب زيرزميني در دو حوضه آبخيز گاليكش و محمدآباد با تاخير 3 ماهه و در حوضه آبخيز راميان با تاخير يك ماهه انجام شده است. نتايج اعتبارسنجي مدل‌ها با كمك 3 شاخص MAD، RMSE و MAPE نشان داد كه مدل شبكه عصبي مصنوعي جهت پيش‌بيني تراز آب زيرزميني با استفاده از داده‌هاي بارش ماهانه در هر 3 حوضه آبخيز مورد بررسي داراي مناسب‌ترين عملكرد مي‌باشد (RMSE=0.0778, 0.0243, 0.0532m) و مدل شبكه عصبي-فازي (RMSE=0.1841, 0.0832, 0.1012m) در رتبه دوم قرار دارد. اگرچه مدل تابع انتقال نسبت به دو روش ديگر دقت كمتري داشت (RMSE=0.5711, 0.5023, 0.3234m)، اما اين مدل در برازش مقادير تراز آب زيرزميني ماهانه عملكرد مناسبي داشته است. اين مدل در شناسايي تاخير در تاثيرگذاري بين متغيرهاي ورودي و خروجي و همچنين بيان مدلي كه مي‌توان بر اساس آن نحوه اثرگذاري بارش را به صورت يك مدل بيان كرد، بسيار موثر است.نتيجه‌گيري: نتايج اين پژوهش نشان داد كه براي پيش‌بيني تراز آب زيرزميني با كمك مقادير بارش ماهانه، مي‌توان از هر 3 مدل شبكه عصبي مصنوعي، شبكه عصبي-فازي و تابع انتقال استفاده كرد. براي 3 مدل مورد استفاده بيش‌برآوردي و كم‌برآوردي پيوسته كه باعث افزايش خطا و كاهش عملكرد مدل‌ها مي‌شود، مشاهده نشد. همچنين هر 3 مدل‌ در تشخيص روندها و تغييرات داده‌ها عملكرد مناسبي دارند. با اين وجود عملكرد مدل شبكه عصبي مصنوعي نسبت به دو مدل ديگر از دقت بالاتري برخوردار است. علاوه بر اين هنگامي كه از عملكرد پيش‌رو در مدل‌سازي شبكه عصبي مصنوعي استفاده مي‌شود نسبت به حالتي كه از سري كامل داده‌ها استفاده مي‌شود، كارايي مدل به نحو چشمگيري بهبود مي‌يابد.