شبيه سازي شوري آب زيرزميني با استفاده از شبكه عصبي مصنوعي، الگوريتم بهينه سازي تجمع ذرات و مدل SEAWAT (مطالعه موردي: مزارع كشت و صنعت نيشكر دعبل خزاعي)

Simulation of groundwater salinity using Artificial Neural Network (ANN) , Particle Swarm Optimization (PSO) and SEAWAT model. (Case study: Debal khazaie sugarcane plantation)

سابقه و هدف: شوري خاك عامل مهم در كاهش عملكرد مزارع نيشكر واقع در جنوب غربي ايران مي باشد. بنابراين مطالعه و پايش اين عامل در زمين هاي تحت كشت نيشكر، امري لازم و ضروري مي باشد. اما با توجه به وسعت زياد مناطق زير كشت نيشكر و تعدد زياد مزرعه ها، مطالعه و پايش اين عوامل در هر مزرعه بسيار وقت گير و پر هزينه است. استفاده از مدل هاي كامپيوتري با توجه به سرعت بالا و هزينه كم، به عنوان گزينه اي مناسب جهت پايش اراضي مذكور در نظر گرفته مي شود. بنابراين تحقيق حاضر با هدف دست يابي به بهترين و مناسب ترين روش ها و مدل هاي تخمين ميزان شوري خاك با استفاده از مدل هاي شبكه عصبي (شبكه عصبي مصنوعي و الگوريتم تجمع ذرات) و مدل SEAWAT، در مزرعه R9-11 از مزارع نيشكر دعبل خزاعي خوزستان صورت پذيرفت. در سال هاي اخير به دليل به آساني كاربرد و دقت بالاي اين مد ل ها در تقريب معادله هاي غيرخطي و پيچيده رياضي، استفاده از اين مدل ها افزايش پيدا كرده است. ساعي و همكاران (2009)، از مدل شبكه عصبي براي پيش بيني شوري خاك استفاده كردند و كارائي خوب اين مدل را در پيش بيني شوري خاك تاييد نمودند. مواد و روش ها: در اين پژوهش از شبكه عصبي مصنوعي (ANN)، مدل شبكه عصبي تلفيقي با الگورتيم بهينه سازي تجمع ذرات (PSO+ANN) و مدل SEAWAT براي پيش بيني شوري آب زيرزميني استفاده شده است. بدين منظور مزرعه R9-11 از مزارع نيشكر دعبل خزاعي خوزستان انتخاب و تعدادي پيزومتر در فواصل مختلف از جمع كننده زهاب در 7 دسته كه هر دسته شامل اعماق 2.2، 3، 4 و 5 متري از سطح زمين مي باشد، در لايه هاي مختلف از سطح خاك نصب گرديد. تغييرات شوري آب زيرزميني از آبان ماه سال 1392 تا مهر ماه سال 1393 بصورت روزانه برداشت شد. همچنين مقادير حجم آب آبياري، شوري آب آبياري و شوري زهاب در اين بازه زماني اندازه گيري و به عنوان ورودي به شبكه عصبي معرفي شدند. از معضلاتي كه در استفاده از شبكه عصبي وجود دارد، مسئله آموزش آن مي باشد كه به روش پس انتشار خطا آموزش داده مي شود. در انجام اين پژوهش با استفاده از آموزش به روش PSO تلاش مي گردد اين مشكل برطرف شود. يافته ها: نتايج نشان داد كه بالاترين دقت در پيش بيني شوري آب زيرزميني مربوط به مدل شبكه عصبي با آموزش الگوريتم تجمع ذرات مي باشد. به طوري كه مقدار ميانگين RMSE اعماق مختلف بين مقادير اندازه گيري شده و شبيه سازي شده با مدل هاي شبكه عصبي مصنوعي، الگوريتم تجمع ذرات و SEAWAT به ترتيب برابر 0/092، 0/017 و 0/745 بدست آمد. نتيجه گيري: به طور كلي مقادير RMSE و MAPE براي ارزيابي دقت مدل ها نشان از دقت بالاي هر سه مدل (شبكه عصبي مصنوعي، الگوريتم تجمع ذرات و مدل SEAWAT) در شبيه سازي شوري آب زيرزميني مي باشند كه از علل اصلي آن مي توان به اندازه گيري دقيق ورودي هاي مدل ها اشاره كرد.

Background and Objectives: Soil salinity is main factors which adversely affect the sugarcane yield in the southwest of Iran. Therefore, assessment and monitoring of these factors are important issue in this area. Due to the large area of sugarcane fields in this area, monitoring of these factors are very time-consuming and costly. computers models can be considered as an appropriate approach for dealing with this problem. Therefore, this research was conducted to find a suitable model for simulation soil salinity in sugarcane fields by using Nural Network models and SEAWAT model. In recent years the use of intelligent models to predict the groundwater salinity is increasing rapidly due to the ease of use and accuracy of these models in the non-linear equations, and complex mathematical returns Taqrib. Use of models saves time and costs and also provides accurate results. ANN methodology has been applied in almost all branches of science with good results during the last decades. (Saey et al, 2009), neural network model (Artificial Neural Network, Particle swarm optimization( to predict Soil used salinity and good performance of the model to predict soil salinity confirmed. Materials and Methods: In this study, Artificial Neural Networks (ANN), Particle Swarm Optimization) PSO + ANN) and SEAWAT model is used to predict groundwater salinity For this purpose, field R9-11 of the Debal Khazaei sugarcane plantation is selected and number piezometers were installed in different depth and distance from collector. piezometers were in 7 categories, each category includes depths of 2.2, 3, 4 and 5 meters above ground level , was installed in different layers of soil. The volume of irrigation water, salinity of irrigation water and salinity drainage water in this period measurements from November 2013 to October 2014 on a daily basis. Of the problems that exist in the use of Artificial neural networks, the problem is education. In this study, using education PSO ) Particle swarm optimization) method is trying to fix this. Results: The results showed that the the Particle Swarm Optimization method has a highest accuracy in predicting groundwater salinity. So that the average RMSE in different depths between measured and predicted with artificial neural network, Particle swarm optimization and SEAWAT obtained 0.092, 0.017 and 0.745 , respectively. Conclusion: Overall, the results of this study showed high accuracy of studied models(Artificial Neural Network, Particle swarm optimization and SEAWAT) for simulation of groundwater salinity that's because accurate measurement of input parameters.