توسعه و كاربرد مدل‌هاي عصبي، فازي، الگوريتم ژنتيك و زمين‌آمار در برآورد توزيع مكاني سطح ايستابي

Development and application of statistical and neural, Fuzzy, Genetic Algorithm models in estimation of spatial distribution of water table level

در امر مديريت پايدار منابع آب تجديدپذير در سطح يك آب‌خوان، تخمين سطح آب زيرزميني از اهميت زيادي برخوردار است. در اين پژوهش از روش‌هاي هوشمند عصبي در قالب شبكه عصبي پرسپترون چندلايه، تابع پايه شعاعي، عصبي فازي و عصبي ژنتيك براي تخمين مقادير نقطه‌اي سطح ايستابي در دشت همدان- بهار استفاده شد. به‌منظور برآورد سطح ايستابي در نقاط بدون اندازه‌گيري، مقادير برآورد نقطه‌اي هر يك از روش‌هاي هوشمند عصبي در محيط زمين‌آمار كريجينگ پهنه‌بندي شد. در مجموع دقت روش‌هاي مورد استفاده بر حسب خطاي كم‌تر مقادير سطح ايستابي برآوردي به‌ترتيب به روش‌هاي عصبي ژنتيك، پرسپترون چندلايه، تابع پايه شعاعي و عصبي فازي تعلق داشت. به‌طوري‌كه مجذور ميانگين مربعات خطاي روش عصبي ژنتيك در برآورد تغييرات مكاني سطح ايستابي برابر 431/0 متر با ضريب تبيين 996/0 بود. بيش‌ترين مقدار خطا به برآوردهاي مدل شبكه عصبي فازي با خطاي 27/1 متر و مدل شبكه تابع پايه شعاعي با خطاي 81/0 متر تعلق داشت. هم‌چنين مقايسه تغييرات مكاني سطح ايستابي برآوردي از روش عصبي ژنتيك در محيط زمين‌آمار كريجينگ با مقادير مشاهده‌اي نشان‌دهنده كاهش پراكنش نقاط و باريك‌تر بودن محدوده اطمينان 90 درصد بود. از اين‌رو با استفاده از طول و عرض جغرافيايي به‌عنوان بردار اطلاعات ورودي، مي‌توان به دقت اطلاعات بالا در برآورد تغييرات مكاني و پهنه‌بندي مقادير سطح ايستابي اطمينان به‌دست آورد.

Estimation of groundwater in the aquifer water resources management is important. In this study for estimation of the spatial distribution of water table level in Hamadan-Bahar plain neural intelligent methods including Multy Layer Perseptron (MLP), Radial Basis Function (RBF), Co-Active Neuro-Fuzzy Inference System (CANFIS) and Adaptive Neural Network based Genetic Algorithm (ANNGA) were used. To estimate water table in locations without measurements values, point values were estimated from each neural intelligent methods zoned in geographic information system. Overall, accuracy of used method based minimum errors were related to ANNGS, MLP, RBF and CANFIS, respectively. So that in ANNGA model, Root Mean Square Error (RMSE) was 0.431 m and correlation coefficient (r) value was 0.996. Maximum errors were related to CANFIS and RBF models with RMSE=1.27 m and RMSE=0.81 m, respectively. Also, comparison of the spatial variation of water table estimated by ANNGA model with observational data showed that points distribution in 90% confidence limits were little. Therefore, with using the latitude and longitude as input data water table spatial changes and its zoning can be estimated.