ارزيابي عملكرد مدل بهينه سازي شبكه پايش آب زيرزميني بر پايه شبكه عصبي و جستجوي گرگ خاكستري (GNM) (مطالعه موردي: دشت بيرجند)

Performance examination of optimization model of groundwater monitoring network based on Gray wolf and Neural network (GNM) (Case study: Birjand plain)

پايش كمي آب زيرزميني، با هدف بررسي و تعيين عوامل موثر در رفتار آبخوآن ها نقش به سزايي در مديريت آب زيرزميني هر منطقه دارد. بنابراين براي مطالعه تغييرات زماني و مكاني سطح آب زيرزميني، شبكه پايش كمي آب زيرزميني مورد نياز است. اين مطالعه در نظر دارد تا به منظور پايش كمي آبخوان دشت بيرجند و تعيين نقاط بهينه پيزومترها يك روش جديد تحت عنوان Gray wolf and Neural network Monitoring (GNM) را پيشنهاد دهد. در روش پيشنهاد شده از 2 مدل شبكه عصبي و جستجوي گرگ خاكستري به عنوان مدل شبيه ساز سطح آب زيرزميني و مكان يابي موقعيت پيزومتر استفاده شده است. سطح آب زيرزميني با تاخيرهاي 1 تا 3 ماهه، ارتفاع توپوگرافي، تخليه از آبخوان و مختصات به عنوان ورودي تخمين گر سطح آب زيرزميني مدل GNM تعيين گرديد. مقادير مشاهداتي كليه مولفه هاي ورودي با استفاده از ابزار درون يابي در محيط GIS براي كل سطح آبخوان بدست آمد. همچنين شاخص هاي RMSE و R2 به عنوان مقدار تابع هدف در اين قسمت از مطالعه درنظر گرفته شد. تابع هدف در قسمت مكان يابي، مقدار نمائي خطا بين سطح آب زيرزميني مشاهداتي و شبيه سازي شده درنظر گرفته شد. همچنين به منظور افزايش دقت و كشف نقاط بهينه جديد برنامه از روش Polytope به عنوان مدل كمكي استفاده گرديد. نتايج نشان داد با توجه به مقادير شاخص هاي ارزيابي در قسمت شبيه سازي سطح آب زيرزمينيِ مدل GNM كه با استفاده از شبكه عصبي انجام شد، مدل پيشنهاد شده از كارايي مناسبي در اين زمينه برخوردار است. مقدار شاخص هاي RMSE و R2 در مرحله صحت سنجي به ترتيب 0/1 و 0/99 متر بدست آمد. همچنين ارزيابي نتايج مقايسه سطح آب زيرزميني مشاهداتي و شبيه سازي شده نشان داد كه مدل GNM در تعيين نقاط بهينه جديد نيز از قابليت خوبي برخوردار مي باشد. به طوريكه مقدار تابع هدف تا سقف 0/0007 متر كاهش نشان داد. در نهايت موقعيت 10 پيزومتر جديد در آبخوان بيرجند با استفاده از مدل GNM تعيين شد. همچنين نتايج كاربرد روش Polytope نشان داد كه اين روش مي تواند تا حد قابل قبولي در كشف نقاط بهينه جديد كارايي داشته باشد. به نحويكه پياده سازي اين روش باعث شد كه مقدار تابع هدف تا سقف 0/0001 كاهش پيدا كند. دقت تخمين سطح آب زيرزميني در شبكه پيزومتري پيشنهاد شده توسط مدل GNM براي برآورد سطح آب زيرزميني حدفاصل سال هاي 1390 تا 1392 بررسي شد. مقدار شاخص هاي ارزيابي براي هر كدام از پيزومترهاي انتخاب شده تعيين گرديد. نتايج نشان داد كه شبكه پيزومتري پيشنهاد شده تا حد قابل قبولي سطح آب زيرزميني را به درستي تخمين رده است.

Quantity monitoring of groundwater with assessment and detection of main origins of the aquifer regime، has important role in management of groundwater in any region. Hence monitoring network of groundwater is importance for spacial and temporal variations of water table. This study proposes a new method named Gray wolf and Neural network Monitoring (GNM) to quantity monitoring of Birjand plain and detection of optimal location of piezometers. In this proposed method used of neural network and Gray Wolf Algorithm (GWA) to estimate of water table and placement of piezometer location respectively. Water table with one to three month delay lag، topographic elevation، aquifer discharge and coordinate were considered as input of water table estimator (Neural Network) of GNM. The observation values of input components were interpolated on Birjand aquifer using of Geostatistical Analysis in GIS. Also R2 and RMSE indices were used to skill evaluation of Neural Network. Exponential error between observed and simulated water table was assumed as fitness function in placement of piezometer location. Also used of Polytope algorithm to rise of accuracy and exploration of new optimal points. Results indicated that estimator of groundwater table of GNM has a noticeable performance. The value of R2 and RMSE indices in validation section achieved 0.1 and 0.9 m respectively. Also examine of comparison results of observation and simulation groundwater table showed that GNM has well skill in placement of piezometers location. So that the value of fitness function was decreased to 0.0007 m. The location of 10 new piezometers ultimately was recognized using of GNM. Also results of Polytope algorithm application indicated that this method can to have high capable to new optimal pints. So that using of this method could to reduce fitness function to 0.0001 m. Estimation skill of groundwater table in proposed piezometer network by GNM examined with comparison of observation and simulated groundwater table between 1390 to 1392. The values of R2 and RMSE indices were evaluated for any piezometer of new piezometer network. Results showed that proposed piezometer network has noticeable accuracy in estimation of water table.