ارزیابی مدل‌های هوشمند در تخمین هدایت الکتریکی آب‌های زیرزمینی (مطالعه موردی: دشت مازندران)

چکیده زمینه و هدف: منابع آب زیرزمینی در کنار آب‌های سطحی تامین‌کننده نیاز بخش‌های شهری،‏ صنعت و کشاورزی است که علاوه بر کمیت،‏ کیفیت آن‌ها نیز باید بررسی شود. شورییکی از مهم‌ترین پارامترهایی است که برای ارزیابی کیفیت آب‌های زیرزمینی در نظر گرفته می‌شود. روش بررسی: در این پژوهش کاربرد مدل‌های شبکه عصبی مصنوعی و شبکه بیزین جهت پیش‌بینی هدایت الکتریکی8 چاه مشاهداتی دشت مازندران مورد بررسی قرار گرفت. که برای این منظور هیدروژن کربنات، کلرید، سولفات، کلسیم و منیزیم در مقیاس زمانی ماهانه طی دوره آماری (13831393) به‌عنوان ورودی و هدایت الکتریکی به‌عنوان پارامتر خروجی انتخاب شد.معیارهای ضریب همبستگی، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و عملکرد مدل مورداستفاده قرار گرفت. یافته‌ها: نتایج نشان داد مدل شبکه عصبی مصنوعی با ضریب همبستگی (989/0)، میانگین قدر مطلق خطا(ds/m019/0) و نیز معیار نش ساتکلیف(970/0) در مرحله صحت سنجی در اولویت قرار گرفت بحث و نتیجه‌گیری: در مجموع نتایج حاکی از توانمندی قابل‌قبول مدل شبکه عصبی مصنوعی در تخمین هدایت الکتریکی آب‌های زیرزمینی است.

Assessment of Intelligent models for Estimating the Electrical Conductivity in Groundwater (Case study: Mazandaran plain)

Abstract Background and Objective: Groundwater resources along with surface water supply the needs for municipal, industrial and agriculture uses, and their quantity and quality should be investigated. Salinity is one of the most important parameters in assessing the quality of groundwater. Method: In this study, application of artificial neural networks and Bayesian network in predicting the electrical conductivity in 8 observation wells in Mazandaran plain was investigated. For this purpose, hydrogen carbonate, chloride, sulfate, calcium and magnesium were selected as input and output parameters for electrical conductivity at monthly a scale during 20032013. The criteria of correlation coefficient, mean absolute error and Nash Sutcliff coefficient were used to evaluate the performance of the model. Findings: The results showed that artificial neural network model has the highest correlation coefficient (0.989), the lowest mean absolute error (0.019 ds/m) and the highest standard of Nash Sutcliffe (0.970) ranked the first priority in the validation phase. Discussion and Conclusion: The results indicate acceptable capability of artificial neural network models to estimate the electrical conductivity of groundwater.