توسعه و تركيب مدل هاي زمين آمار و محاسبات نرم در برآورد توزيع مكاني سطح آب زيرزميني

Development and combination of soft computing and geostatistical models in estimation of spatial distribution of groundwater level

از اساسي ترين موارد در مديريت كمي منابع آب زيرزميني، تخمين سطح آب با استفاده از داده هاي برداشت شده از شبكه چاه هاي مشاهده اي است. هدف از اين پژوهش، ميان يابي سطح آب زيرزميني با استفاده از زمين آمار و محاسبات نرم در منطقه اي از دشت هاي بم نرماشير و رحمت آباد (استان كرمان) با مساحت 19028 كيلومتر مربع به عنوان نمونه مي باشد. از روش هاي كريجينگ ساده و عكس فاصله وزني و همچنين مدل هاي شبكه عصبي مصنوعي، سيستم استنتاج فازي-عصبي انطباقي و برنامه ريزي بيان ژن براي پيش بيني توزيع مكاني سطح آب زيرزميني استفاده و بهترين مدل از بين مدل هاي هوشمند و زمين آماري انتخاب و براي نمونه برداري بيشتر در منطقه مورد مطالعه استفاده شد. بدين منظور از اطلاعات مربوط به نمونه هاي حاصل از 65 حلقه چاه در طول آماري سال 1381 تا 1390 استفاده شد. براي مقايسه مدل ها معيارهاي آماري RMSE، R2، AARE و MAE به كار بسته شدند. نتايج نشان داد در بين مدل هاي هوشمند با ورودي طول جغرافيايي و عرض جغرافيايي، شبكه عصبي مصنوعي و در بين مدل هاي زمين آماري، روش عكس فاصله وزني با داشتن كمترين RMSE (به ترتيب 138 / 7 و 062 / 15 متر) و AARE(به ترتيب 33 و 47 درصد) و بيشترين R2 (به ترتيب 606 / 0 و 591 / 0 ) مناسب ترين مدل جهت برآورد به ترتيب نقطه اي و ناحيه اي سطح آب زير زميني مي باشد . در نهايت مدل هيبريد IDW - ANN جهت تخمين و پهنه بندي سطح آب زيرزميني در آينده انتخاب شد.

One of the most important issues in groundwater resources quantitative management is estimating water table level using observation wells network data. The purpose of this study is to estimate the groundwater level using the combination of the geostatistics and soft computing methods. Bam Normashir and Rhmtabad plains (Kerman province) with an area of 1928 km2 was selected as a case study of this work. In this study, Kriging and IDW methods were used along with the data driven ANN, ANFIS and GEP models for predicting the spatial distribution of groundwater level, then, the best model was selected for further sampling in the studied region. Data from 65 wells during the period of 2002 to 2011 were used. RMSE, R2, AARE and MAE statistical indices were used for comparing the applied models. Results showed that for all of the models with two input parameters (including longitude and latitude), ANN and IDW models presented the most accurate results with the lowest RMSE (7.138 and 15.062m, respectively) and AARE (33 and 44%, respectively), and the highest R2 (0.606 and 0.596, respectively) for the point and regional estimation of groundwater table level. Finally, ANN-IDW hybrid model was selected for estimation and zoning the groundwater level for the future investigations.