شبیه سازی سطح ایستابی آب زیرزمینی دشت سرخس با ترکیب روش‌های هوش مصنوعی و زمین‌آمار

سابقه و هدف: شبیه سازی جریان زیرزمینی به‌منظور پیش‌بینی سطح ایستابی، در مطالعات هیدروژئولوژی و مدیریتی، احداث سازه‌ها، مصارف کشاورزی و دسترسی به آب‌های زیرزمینی با کیفیت بالا از اهمیت بسزایی برخوردار است. در دهه‌های اخیر به سبب پیچیدگی و ویژگی‌های غیر خطی سیستم‌های آب زیرزمینی، مدل‌های هوش مصنوعی برای شبیه‌‌سازی آبخوان‌ها مورد آزمایش قرار گرفته‌اند. هدف این مطالعه مقایسه مدل‌های شبکه‌ عصبی مصنوعی (پرسپترون چند لایه، تابع پایه شعاعی و نروفازی) و ترکیب آن با روش‌های زمین‌آمار برای مدل‌سازی سطح ایستابی دشت سرخس می‌باشد. بررسی مطالعات قبلی نشان می‌دهد، شبیه سازی سطح آب زیرزمینی با روش‌های هوش مصنوعی در مناطق مختلف نتایج متفاوتی ارائه کرده است . مواد و روش‌ها: شهرستان سرخس، با پهنه‌ای بیش از 5 هزار کیلومترمربع در طول‌های جغرافیایی ′30 °60 تا ′15 °61 شرقی و عرض جغرافیایی ′55 °35 تا ′40 °36 شمالی واقع شده است. آبخوان دشت سرخس از نوع آزاد و دارای یک‌لایه آبرفتی می‌باشد. در این تحقیق از داده‌های سطح ایستابی 18 حلقه چاه در طول دوره آماری (13941370)، بارش و تبخیر پتانسیل ماهانه استفاده شد. با استفاده از روش تیسن سطح اثر ایستگاه‌های هواشناسی مشخص شد و داد‌ه‌ها‌ی اقلیمی هر ایستگاه به چاه‌های واقع در پلیگون مربوطه تعمیم داده شد. مدلهای شبکه عصبی مورد استفاده شامل پرسپترون چند لایه (mlp)، تابع پایه شعاعی (rbf) و روش نروفازی (nf) یا (anfis) و روش‌های زمین‌آمار شامل روش کریجینگ، کوکریجینگ و روش عکس فاصله بود. 70 درصد داده‌های ورودی برای آموزش مدل و 30 درصد باقیمانده داده‌ها برای آزمایش آنها بکارگرفته شد. ﺑﺮای ارزﯾﺎﺑﯽ نتایج شبیه سازی ﻣﺪلﻫﺎی شبکه عصبی مصنوعی از آﻣﺎره‌های همبستگی بین داده‌ها (r) ، ﻣﺠﺬور ﻣﯿﺎﻧﮕﯿﻦ ﺧﻄﺎی ﻣﻄﻠﻖ (mae) و ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ (r2) و برای ارزیابی روشهای زمین آماری از معیارهای ارزیابی ریشه میانگین مربع خطا (rmse) و میانگین مربعات خطا (mse) استفاده شد.یافته‌ها: نتایج بدست آمده نشان داد که مدل پرسپترون چند لایه نسبت به مدل‌های دیگر با توجه به 60/0=r2، 80/0= mae و 77/0 r=از دقت بیشتری برخوردار است. برای تعیین بهترین مدل زمین‌آمار برای پیش‌بینی مکانی سطح ایستابی آب‌های زیرزمینی نتایج مدل پرسپترون چند لایه، به عنوان ورودی مدل‌های زمین آمار استفاده شد. نتایج نشان که روش کریجینگ با 1= rmseو 068/0= rmsمدل بهتری برای شبیه‌سازی مکانی سطح آب زیرزمینی دشت سرخس می‌باشد و براساس آن نقشه‌های شبیه سازی سطح آب زیرزمینی هر سال ترسیم گردید. تحلیل نقشه‌های به دست آمده نشان داد بیشترین افت در قسمت شمالی منطقه می‌باشد و قسمت جنوبی از افت کمتری برخوردار بوده است. نتیجه‌گیری: ترکیب مدلmlp و روش درونیابی کریجینگ، راه حلی مناسب و کم هزینه برای شبیه سازی تراز آب زیرزمینی دشت سرخس می‌باشد. پیشنهاد می‌گردد برای افزایش دقت مدل‌های هوش مصنوعی در صورت امکان از متغیرهای وابسته بیشتری استفاده شود. همچنین برای پیش‌بینی بهتر سطح آب زیرزمینی از مدل‌های هوش مصنوعی دیگر با الگوریتم‌های متفاوت استفاده شود.

Simulating the groundwater table of Sarakhs plain with combination of geostatistical and artificial intelligence methods

Background and objectives: Simulation of groundwater is very important in order to groundwater table prediction, hydrogeological and management studies, construction of structures, agricultural use, and access to high quality groundwater. In recent decades, artificial intelligence models have been tested for simulation of aquifers due to the complex and nonlinear properties of groundwater systems. The purpose of this study is comparison the different models of artificial intelligence (artificial neural network, multilayer perceptron, radial basis function and neurofuzzy) and its composition with geostatistics methods to modeling the groundwater table in the Sarakhs plain. Investigation of recent studies shows that simulation of groundwater level with artificial intelligence methods in different regions has different results. Materials and Methods: Sarakhs County with more than 5000 Km2 area is located in 60°15’ to 60°30’ eastern longitude ‎and 35°55’ to 36°40’ northern latitude. ‎ Sarakhs Plainﹸs aquifer is unconfined type and shaped from a layer of alluvial. In this research, groundwater level data of 18 wells, rainfall and potential evaporation in statistical period (1992 2016) were used. The affected area of each climatology station determined by Thiessenﹸs method and climate data of each station generalized to wells which situated in related polygon. The artificial intelligence models that used in this study were MultiLayer Perceptron (MLP), Radial Basis Function (RBF) and Neuro Fuzzy (NF) and geostatistics methods were Kocriging, Kriging and Inverse Distance Weighting. 70 percent of the input data for training of models and the remaining 30 percent were used for ‎testing of them. To assessment of the results of simulations with Artificial Intelligence models the criteria of ‎correlation coefficient (R), Mean Absolute Error (MAE) and Coefficient of Determination (R2) ‎and for evaluation of geostatistics method the criteria of ‎‏ ‏Root Mean Square Error (RMSE) and‎‏ ‏‎ Mean Square ‎Error (MSE) were used. ‎Results: The results showed that the multilayer perceptron model is more accurate than other models, according to R=0.77, R2 = 0.62 and MAE = 0.80. To determination of the best geostatistical model, for spatial prediction of the groundwater level, the results of multilayer perceptron model used as input data. The results showed that Kriging method with RMSS= 1 and RMS= 0.066, is better model to spatial simulation of groundwater level in Sarakhs plain and base of Kriging method, the maps of groundwater level in each year was designed. Assessment of these maps showed the most decline of groundwater level is in the north parts of ‎Skaraks plain and south part of this Palin has a little declining of groundwater level. ‎Conclusion: The combination of the MLP model and the Kriging interpolation method is a suitable and low cost solution for simulating of the groundwater level in the Sarakhs Plain. It is suggested that if possible more dependent variables be used to increase the accuracy of artificial intelligence models. Also, for better prediction of groundwater level, the other artificial intelligence models with different algorithms ‎should be used. ‎