پیش‌بینی تراز آب زیرزمینی با استفاده از مدل استنتاج تطبیقی عصبی فازی (مطالعه موردی: دشت قم)

آب‌های زیرزمینی به‌عنوان مهم‌ترین منابع آبی در دشت قم محسوب می‌گردند. بنابراین پیش‌بینی نوسانات سطح آب زیرزمینی این دشت می تواند در برنامه‌ریزی و تصمیم‌گیری‌های بعدی مفید باشد. هدف از انجام این تحقیق پیش‌بینی تراز آب زیرزمینی دشت قم با استفاده از مدل استنتاج تطبیقی عصبی فازی است. با استفاده از این روش مدل‌سازی فرآیندهای غیرخطی نظیر آب‌های زیرزمینی بدون در نظر گرفتن فیزیک مسئله و یا دانستن مشخصات لایه‌های آبخوان و اطلاعات پیچیده زمین‌شناسی امکان‌پذیر می‌گردد. تعداد نه چاه مشاهده‌ای در محدوده دشت قم انتخاب گردید. در این مدل‌سازی، الگوها و ترکیبات متفاوتی از داده‌های ورودی، شامل سطح آب‌های زیرزمینی، تخلیه از چاه‌ها و بارندگی در 12 ماه قبل استفاده شدند و خروجی مدل، سطح آب زیرزمینی در ماه فعلی انتخاب شد. نتایج نشان داد این مدل، با توجه به ضریب همبستگی برابر با 0.96 و ریشه میانگین مربعات خطا برابر با 0.26 از دقت مناسبی در پیش‌بینی سطح آب زیرزمینی چاه‌های مشاهده‌ای مورد مطالعه برخوردار می‌باشد. استفاده از داده‌های تخلیه از چاه‌ها در مدل‌سازی‌ها موجب بهبود نتایج در چاه‌های مشاهده‌ای گردید که نشان می‌دهد این داده‌ها بر تراز آب زیرزمینی تاثیرگذار بوده که با توجه به کاهشی بودن روند کلی تغییرات آب زیرزمینی دشت قم می‌توان چنین استنباط کرد، تخلیه از چاه‌ها به‌عنوان مهم‌ترین عامل کاهش تراز آب زیرزمینی این دشت است. نتایج این تحقیق نشان داد تراز آب زیرزمینی ماه‌های قبل و میزان تخلیه چاه جهت پیش بینی تراز سطح آب زیرزمینی در مناطق آب و هوایی خشک و نیمه‌خشک مانند دشت قم در ورودی مدل‌سازی مناسب می‌باشد.

predicting the groundwater level by adaptive neuro-fuzzy inference system (case study: qom plain)

groundwater is considered the most important water source in the qom plain. therefore, predicting the groundwater level fluctuations of this plain can be a great help for planning and decision-making. the main aim of this study is to predict the groundwater level of qom plain by the adaptive neuro-fuzzy inference system. it is easily possible to study the process of nonlinear models such as groundwater without considering the physics of the problem or knowing the characteristics of aquifer layers and complex geological information by this method. in this study nine observation wells were selected in qom plain. different patterns and combinations including groundwater level, well discharge, and rainfall in the earlier 12 months were used for input data and groundwater level in the current month was selected for output in the model. according to the results, the mentioned model have had suitable accuracy in predicting the groundwater level with respect to the correlation coefficient (r2) equal to 0.96 and the root mean square error equal to 0.26. the use of well discharge data in modeling improved the results in observation wells, which shows that these data have an effect on decreasing the groundwater level of this plain. results showed that drainage from wells is the most important factor in reducing the groundwater level of this plain. the results also illustrated that the groundwater level of previous months and the amount of well drainage are suitable for predicting the groundwater level in arid and semi-arid climates such as qom plain at the modeling entrance.