تخمین تغییرات سطح آب زیرزمینی با استفاده از چهار تکنیک متفاوت شبکه عصبی تکاملی (مطالعه موردی دشت عباس، استان ایلام)

در نواحی خشک و نیمه خشک، آب عمده‌ترین عامل محدودیت کشاورزی است. در این مناطق به دلیل کمبود جریان‌های سطحی، فشار عمده بر آب‌های زیرزمینی وارد می‌شود. منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی‌رویه دچار افت شدید گردیده است. در این تحقیق، ما از چهار مدل متفاوت شبکه عصبی تکاملی شامل، شبکه عصبی پرسپترون چندلایه با الگوریتم ژنتیک (annga)، شبکه عصبی پرسپترون چندلایه با بهینه‌سازی ازدحام ذرات (annpso)، شبکه عصبی پرسپترون چندلایه با الگوریتم رقابت استعماری (annica) و شبکه عصبی پرسپترون چندلایه با بهینه سازی کلونی مورچگان (annacor) برای تخمین سطح آب زیرزمینی بر طبق جریان ورودی زیرزمینی، نفوذ موثر از بارندگی، نفوذ موثر از جریان سطحی و سیلاب، نفوذ موثر از آب برگشتی کشاورزی، جریان خروجی زیرزمینی، برداشت از آبخوان جهت کشاورزی، تبخیر از سطح آب زیرزمینی و داده‌های گذشته سطح آب زیرزمینی استفاده کرده‌ایم. ترکیب ورودی‌ها با استفاده از تجزیه و تحلیل خود همبستگی، خود همبستگی جزئی و همبستگی متقابل برای هر مدل آماده شده ‌است. مدل‌های بهینه با تغییر پارامترهای کنترلی به دست آمده اند. بهترین دقت از بین مدل‌های ارائه شده برای ورودی (gwlt1 ، gwlt2، qint، qpt1، qrt1، qit1، qoutt1، qwt1 و qet1) به دست آمده است. دقت میانگین مربعات خطا در فاز آزمایش برای مدل‌های annpso، annica، annacor به ترتیب برابر 1.2208، 0.9456و 1.7720 و برای مدل annga برابر 0.8739 به دست آمده است. میانگین خطای نسبی مدل annga برابر 3.6% و ضریب اطمینان آن 0.9388 است. با توجه به نتایج به دست آمده مدل annga عملکرد بهتری نسبت به سه مدل دیگر برای تخمین سطح آب زیرزمینی از خود نشان داده است.

The Estimation of groundwater level changes using four different techniques of evolutionary neural network, case study of Dasht-e-Abbas plain, Ilam province

AbstractIn dry and semiarid areas, water is the most factor of limiter in agriculture. In these areas, due to the lack of surface flows, major pressures enter on groundwater. Groundwater resources in the studied area (DashteAbbas plain) also suffered a severe drop in surface water due to unplanned use. In this study, we compared four different models of evolutionary neural network, a multilayered perceptron neural network with Genetic Algorithm (ANNGA), a multilayered perceptron neural network with particle swarm optimization (ANNPSO), a multilevel perceptron neural network with Imperialism competitive algorithm (ANNICA) and multilayered perceptron neural network with ant colony optimization (ANNACOR) for estimating groundwater level according to groundwater inflow, effective penetration of rainfall, effective penetration of surface flow and flood, effective penetration of return water Agriculture, underground outflow, withdrawal from aquifer for agriculture, evaporation from groundwater level and past groundwater data Were used. groundwater level comparisons are the combination of inputs has been prepared using Autocorrelation analysis, partial Autocorrelation and crosscorrelation for each model. Optimal models are obtained by changing the control parameters. The best results are obtained from the input models (GWLt1, GWLt2, Qint, Qpt1, Qrt1, Qit1, Qoutt1, Qwt1, and Qet1). The accuracy of the mean squared error in the test phase for ANNPSO, ANNICA, ANNACOR models was 1.2208, 0.9456 and 1.7720, respectively, and for the ANNGA model, it was 0.8739. The mean relative error of ANNGA model is 3.6% and its determined coefficient is 0.9388. According to the results, the ANNGA model showed better performance than the other three models for estimating groundwater level.