توسعه و ترکیب مدل‌های زمین‌آمار و محاسبات نرم در برآورد توزیع مکانی سطح آب‌زیرزمینی

از اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از داده‌های برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب ‌زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرمان) با مساحت 19028 کیلومتر مربع به عنوان نمونه می باشد. از روش‌های کریجینگ ساده و عکس فاصله وزنی و همچنین مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج فازیعصبی انطباقی و برنامه‌ریزی بیان ژن برای پیش‌بینی توزیع مکانی سطح آب‌زیرزمینی استفاده و بهترین مدل از بین مدل‌های هوشمند و زمین آماری انتخاب و برای نمونه‌برداری بیشتر در منطقه مورد مطالعه استفاده شد. بدین منظور از اطلاعات مربوط به نمونه‌های حاصل از 65 حلقه چاه در طول آماری سال 1381 تا 1390 استفاده شد. برای مقایسه مدل‌ها معیارهای آماری rmse، r2، aare و mae به کار بسته شدند. نتایج نشان داد در بین مدل‌های هوشمند با ورودی طول جغرافیایی و عرض جغرافیایی، شبکه عصبی مصنوعی و در بین مدل‌های زمین ‌آماری، روش عکس فاصله وزنی با داشتن کمترین rmse (به‌ترتیب 138/7 و 062/15 متر) و  aare(به ترتیب 33 و 47 درصد) و بیشترین r2 (به ترتیب 606/0 و 591/0 ) مناسب‌ترین مدل جهت برآورد به ترتیب نقطه‌ای و ناحیه‌ای سطح آب‌زیرزمینی می‌باشد. در نهایت مدل هیبرید idwann جهت تخمین و پهنه‌بندی سطح آب‌زیرزمینی در آینده انتخاب شد.

Development and combination of soft computing and geostatistical models in estimation of spatial distribution of groundwater level

One of the most important issues in groundwater resources quantitative management is estimating water table level using observation wells network data. The purpose of this study is to estimate the groundwater level using the combination of the geostatistics and soft computing methods. Bam Normashir and Rhmtabad plains (Kerman province) with an area of 1928 km2 was selected as a case study of this work. In this study, Kriging and IDW methods were used along with the data driven ANN, ANFIS and GEP models for predicting the spatial distribution of groundwater level, then, the best model was selected for further sampling in the studied region. Data from 65 wells during the period of 2002 to 2011 were used. RMSE, R2, AARE and MAE statistical indices were used for comparing the applied models. Results showed that for all of the models with two input parameters (including longitude and latitude), ANN and IDW models presented the most accurate results with the lowest RMSE (7.138 and 15.062m, respectively) and AARE (33 and 44%, respectively), and the highest R2 (0.606 and 0.596, respectively) for the point and regional estimation of groundwater table level. Finally, ANNIDW hybrid model was selected for estimation and zoning the groundwater level for the future investigations.