شبیه سازی شوری آب زیرزمینی با تلفیق قابلیت‌های شبکه عصبی مصنوعی و سیستم اطلاعات جغرافیایی در سواحل جنوبی خزر

باتوجه به شرایط کشورایران به لحاظ کمبودمنابع آبس طحی،استفاده ازمنابع آب زیر زمینی برای تامین آب مورد توجه قرار گرفته است. انجام آزمایش های کیفی، زمان بر و پرهزینه است. بنابراین، استفاده از مدل ها برای شبیه سازی کیفیت آب متداول شده است. در تحقیق حاضر شبکه عصبی مصنوعی برای شبیه سازی شوری آب زیرزمینی و سیستم اطلاعات جغرافیایی (gis) به عنوان پیش پردازنده و پس پردازنده در شبیه سازی در سطح دشت مازندران استفاده شد. شوری آب زیرزمینی با استفاده از شبکه پرسپترون چند لایه (mlp) و با در نظر گرفتن هدایت الکتریکی(ec) آب زیرزمینی و کمی نمودن عوامل موثر در شوری آب، شبیه سازی گردید. سپس، آزمون یا اعتباریابی مدل و تایید کارایی مدل انجام پذیرفت. در محیط سیستم اطلاعات جغرافیایی، سطح دشت مطالعاتی به سلول های یک در یک کیلومتری به فرمت رستری جدا شد و از تلفیق لایه های ورودی مدل، لایه زمین مرجع عوامل شوری آب تهیه گردید. مقادیر کمی برای هر سلول به همراه مختصات به محیط شبکه عصبی وارد گشت و  شبیه سازی شوری آب زیرزمینی برای مکان های فاقد آمار با شبکه بهینه اعتباریابی شده، انحام پذیرفت. سپس، نتایج با توجه به دست یابی مقادیر ضریب تعیین gis وارد و نقشه یا لایه رستری شوری آب زیرزمینی براساس نتایج شبیه سازی شبکه عصبی تهیه شد. نتایج با توجه به دست یابی مقادیر ضریب تعیین 0.78=2 rو معیار میانگین مربعات خطای rmse برابر با 0.122 در مرحله آزمون با ارزیابی کارایی شبکه عصبی و همچنین تحلیل هم پوشانی مقادیر برآوردی و مقادیر مشاهداتی در محیط gis، دلالت بر دقت و کارایی تلفیق شبکه عصبی و gis در مطالعات داشته است.

Modeling of Groundwater Salinity Using Artificial Neural Network (ANN) and Geographic Information System (GIS) on the Caspian Southern Coasts

Introduction  Groundwater is one of the most important water resources on earth, and water salinity studies are very important for the protection and planning of water resources, especially in arid and semiarid areas such as Iran. Groundwater currently accounts for more than 90 percent of Iran’s total drinking water consumption. This water resource is less susceptible to bacterial pollution and evaporation than surface water, and hence it is more important than surface water.   Materials and Methods      An ANN includes three layers, namely, input layer, hidden layer and output layer. A network can have more than one hidden layer. In this study, multilayer perceptron (MLP) was applied to simulate groundwater salinity. MLP is generated through adding one or more hidden layers to onelayer perceptron and can solve complex problems. The feedforward neural network was the first and simplest type of artificial neural network devised. In a feedforward network, the information moves in only one direction, forward, from the input nodes, through the hidden nodes and to the output nodes. In the first stage of simulation, all data were normalized and divided into three classes: training data (65% of all data), test data (25% of all data) and cross validation data (10 % of all data). The different transfer functions such as hyperbolic tangent and sigmoid transfer functions were evaluated. Based on the results of this study (through trialanderror method), the hyperbolic tangent transfer function was the best transfer function. Artificial neural network (ANN) is an efficient tool in hydrologic studies. In this study, an integration of ANN and GIS (the geographic information system) was applied to simulate groundwater salinity. ANN and GIS were, indeed, used for simulation purposes and as a preprocessing and postprocessing system of the applied data, respectively. Thus, GIS was applied as an efficient tool to provide the base maps and to estimate the model’s quantitative parameters. Different digital/base maps were provided in GIS environment including DEM, transmissivity of aquifer formations, water table depth, precipitation values and distance from Caspian Sea and water resources using topographic maps of the region and EC values using water salinity secondary data. Different piezometric wells were selected to simulate groundwater salinity (EC). In GIS preprocessing stage, raster layers of the input factors were provided and combined using overlay analysis with a pixel size 1×1 km. Therefore, the surface of study plain was separated to more than 10000 georeferenced pixels (1×1km). These pixels had values of model inputs or groundwater salinity factors (transmissivity of aquifer formation, water table depth and the distance from water resource). We inserted the site coordinate for every pixel automatically in the GIS medium. Pixels data (networks inputs and coordinate) were exported from GIS and then imported to NeuroSolutions software. In ANN medium, groundwater salinity (EC) was simulated using the validated optimum network for all of the 10000 pixels (the whole study plain).