ارائه مدل ترکیبی ژنتیک ـ کریجینگ برای پیش‌بینی زمانی و مکانی سطح آب زیرزمینی

استفاده از روش‌های هوشمند تکاملی و مدل های ترکیبی برای پیش‌بینی زمانی ـ مکانی نوسانات سطح آب زیرزمینی در دهه‌های اخیر بیشتر مورد توجه محققین قرار گرفته است. الگوریتم ژنتیک و نروفازی از روش‌های جدید پیش‌بینی نوسانات سطح آب زیرزمینی هستند که برای پیش بینی مسائل پیچیده و غیرخطی می توانند به‌صورت منفرد و ترکیبی به کار روند. در این پژوهش، از روش های فوق برای مطالعه آبخوان دشت هادیشهر که به دلیل برداشت بی‌رویه از آب‌های زیرزمینی، سطح آب زیرزمینی آن افت شدیدی پیدا کرده است؛ استفاده شد. دشت هادیشهر در شمال غرب استان آذربایجان شرقی واقع شده و بخشی از محدوده مطالعاتی جلفا ـ دوزال است. به‌منظور یافتن راهکارهایی مفید برای پیش‌بینی زمانی ـ مکانی سطح آب زیرزمینی، از روش‌های هوش مصنوعی مانند نروفازی و برنامه‌ریزی ژنتیک و ترکیب بهترین مدل آنها با روش های زمین­ آماری استفاده شد. بارش و تبخیر در گام زمانی t0 و سطح آب زیرزمینی در گام زمانی t01 ورودی های مدل های نروفازی و برنامه­ریزی ژنتیک بودند. نتایج نشان داد دقت مدل برنامه ریزی ژنتیک بیشتر از مدل نروفازی است به طوری که rmse میانگین برای پیزومتر های منتخب در مرحله آزمایش در مدل برنامه ریزی ژنتیک 19 سانتی متر و در مدل نروفازی 23 سانتی متر به دست آمد. لذا مدل برنامه ریزی ژنتیک برای ترکیب با مدل زمین آماری (کریجینگ) استفاده شد و در نهایت مدل ترکیبی کریجینگ ـ ژنتیک برای پیش بینی زمانی ـ مکانی به دست آمد؛ و نتایج شبیه‌سازی‌شده به کل دشت و مناطق فاقد شبکه پایش سطح آب زیرزمینی بسط داده شد.

Spatio-temporal Groundwater Level Prediction Using Hybrid Genetic-Kriging Model(Case Study: Hadishahr Plain)

In recent decades, the application of intelligent evolutionary methods and hybrid models for forecasting groundwater spatiotemporal fluctuations were more focused by researchers. Genetic algorithm and NeuroFuzzy are new methods which are applicable in single and hybrid forms for forecasting in complex and nonlinear problems. In this research, aforementioned methods were applied to study the Hadishahr plain aquifer. The Hadishahr plain is located in the north of East Azerbaijan province and it is a part of Julfa–Duzal study area. This aquifer suffers from groundwater level declination due to groundwater withdrawal increase. To achieve practical ways for spatiotemporal groundwater level forecasting, the artificial intelligence methods such as neuro–fuzzy (NF), genetic programming (GP) and combination their best model with geostatistical methods were used. Precipitation and evaporation in t0 time step and groundwater table in t01 time step were the inputs to the NeuroFuzzy and Genetic Programming. The results showed that the average RMSE of selective piezometers for genetic programming and neurofuzzy were 19 and 23 centimeter in the test step, respectively. Then, genetic programming was used to present a hybrid model in combination with the geostatistical model (kriging). Finally, the hybrid model “genetic kriging” were applied to predict the spatiotemporal prediction of the groundwater level. The simulated results were extended to the whole plain and the area with no groundwater level monitoring network.