تركيب روش هاي هوش مصنوعي و زمين آمار براي پيش بيني زماني و مكاني سطح آب زيرزميني دشت هاديشهر

Combination of geostatistical and artificial intelligence methods for predicting spatiotemporal water level in the Hadishahr plain

دشت هاديشهر با وسعتي معادل 57/55 كيلومترمربع در شمال غرب استان آذربايجان شرقي واقع شده است. در چند سال اخير، به دليل برداشت بي‌رويه از آب هاي زيرزميني اين دشت، سطح آب زيرزميني افت شديدي پيدا كرده است. لذا به منظور يافتن راهكارهايي مفيد براي مديريت صحيح منابع آب زيرزميني، از تركيب مدل هوش مصنوعي و زمين آمار براي پيش بيني زماني و مكاني سطح آب زيرزميني استفاده شده است. ابتدا براي مدل سازي به روش شبكه عصبي مصنوعي و تعيين بهترين ساختار و الگوريتم از پيزومتر مركزي استفاده شد. نتايج نشان داد كه الگوريتم لونبرگ-ماركوارت(LM) با ساختار 1؛2؛3 (سه ورودي، دو گره مياني و يك خروجي) به ترتيب بهترين الگوريتم و ساختار براي مدل سازي با شبكه عصبي در اين دشت مي باشد. سپس پيزومتر هاي انتخاب شده دشت با روش خوشه بندي سلسله-مراتبي(HCA) دسته بندي شد و هر دسته از پيزومترها با مدل شبكه عصبي و فازي ساگنو مدل سازي شد و نتايج با استفاده از معيارهاي ارزيابي مانند R2 و RMSEمقايسه گرديد. در اين تحقيق از داده هاي ماهانه بارش، تبخير و تراز آب زيرزميني به عنوان ورودي هاي مدل استفاده شد كه نتايج نشان داد از بين روش هاي فازي و شبكه عصبي روش شبكه عصبي كارايي بالاتري داشت. لذا براي پيش بيني زماني و مكاني سطح آب زيرزميني از روش كريجينگ و كوكريجينگ عصبي استفاده شد.

The Hadishahr plain, with 56 km2 area, is located in the northwest of the East Azarbaijan province. Due to the intensive withdrawal of groundwater from this area in the recent years, the water level has been declined significantly. In order to find the best method for managing the groundwater resources of the study area efficiently, artificial neural networks and fuzzy methods were utilized to model and predict the temporal and spatial variations of the groundwater level. Firstly, the central piezometer was used for modeling artificial neural network and determining the best algorithm structure. The results show that the forward neural network with the LevenbergـMarkvrat (LM) algorithm with 1, 2 and 3 order structure is the best method in this plain, respectively. Afterward, the selected piezometers of the plain were classified with the hierarchical clustering (HCA) methods and each piezometers batch was modeled with the Sugeno fuzzy technique. The results were compared using the statistical parameters such as RMSE and R2. In this study, monthly data of rainfall, evaporation, and groundwater level were used as inputs to the model. The results show that the fuzzy and neural network techniques using feed forward neural network with the Levenberg-Markvrat (LM) algorithm achieves the best answer. Thus the neural kriging and neural cokriging method were used, for predicting the temporal and spatial variations of groundwater level.