پيش بيني نوسانات عمق آب زيرزميني با استفاده از مدل‌هاي هوشمند ( مطالعه موردي: منطقه حاجي آباد داراب)

از آن‌جايي‌كه افزايش عمق آب زيرزميني و تشديد آن مي‌تواند بازگو كننده محدوديت‌هاي جدي در بهره‌برداري از اين منابع باشد، پيش‌بيني تغييرات اين پارامتر، قطعاً نقش مهمي در مديريت اين منابع و جلوگيري از وارد شدن آسيب‌هاي احتمالي به آن دارد. به اين منظور استفاده از روش‌هاي هوشمند مؤكداً توسط محققين توصيه شده است. در اين تحقيق از روش‌هاي شبكه عصبي پرسپترون چند لايه (MLP)، سيستم استنتاج فازي(FIS) ، سيستم استنتاج فازي–عصبي تطبيقي(ANFIS)  و روش تركيبي سيستم استنتاج فازي–عصبي و روش بهينه‌سازي ازدحام ذرات (ANFIS-PSO) جهت شبيه‌سازي نوسانات عمق آب زيرزميني در منطقه حاجي‌آباد داراب در محدوده زماني اسفند 1373 لغايت مهرماه 1401 در مقياس ماهيانه، با نسبت 75 به 25 به‌ترتيب براي مرحله آموزش و آزمون استفاده شـده است. جهت سنجش دقت مـدل‌ها از شاخـص‌هاي جـذر ميانگين مربعات خطا (RMSE)، ميانگين درصد مطلق خطا (MAPE) و ميانگين قدر مطلق خطا (MAE) استفاده شد. بهترين نتايج در مرحله آموزش، به‌ترتيب مربوط به مدل‌هاي ANFIS-PSO، ANFIS و MLP است. هم‌زمان با آموزش مدل‌هاي مذكور با تأخيرات زماني متفاوت، مرحله آزمون مدل‌ها نيز به اجرا در آمد و نهايتاً بهترين نتايج در اين مرحله به‌ترتيب براي مدل شبكه عصبي با تأخير زماني [5   3   1]، مدل ANFIS-PSO با تأخير زماني [3   2   1] و مـدل شبكه عصبي با تأخير زماني [2  1] به‌دست آمدند. شاخص‌هاي دقت در مرحله آزمون براي بهترين مدل‌ها، به‌صورت ذكر شده، به‌ترتيب (1871/0، 1865/0، 1857/0) براي RMSE، (7402/0، 6715/0، 6684/0) براي MAPE و (1326/0، 1238/0، 1198/0) براي MAE به‌دست آمد. اين مقادير نشان‌دهنده آن است كه هر سه مدل خطايي كم‌تر از 20 سانتي‌متر، درصد خطايي كم‌تر از 75/0 درصد و خطاي مطلقي كم‌تر از 14 سانتي‌متر داشته‌اند كه حاكي از دقت قابل قبول اين مدل‌هاست. هم‌چنين ضريب تعيين به‌دست آمده از رابطه رگرسيوني حاصل از مقادير محاسبه شده و اندازه‌گيري شده عمق آب زيرزميني در مرحله آزمون براي هر سه مدل در حدود 82/0 است، كه نشان از ارتباط خطي نسبتاً قوي بين اين دو پارامتر است.