بررسی تغییرات تراز سفرۀ آب زیرزمینی با استفاده از الگوریتم فیلتر ذره مبتنی بر جذب داده ماهواره‌ای (محدودۀ خراسان جنوبی)

در دهه‏های گذشته به دلیل برداشت بی‏رویه از منابع آب زیرزمینی، کاهش بارندگی‏ها و افزایش دمای هوا، سطح آب‏های زیرزمینی به‌شدت کاهش پیدا کرده است. بر اساس پژوهش‏های قبلی، کشور ایران از 130 میلیارد مترمکعب منابع آب زیرزمینی برخوردار بوده؛ اما منابع آب تجدیدشونده در 20 سال گذشته به 110 میلیارد مترمکعب و در شش سال گذشته به کمتر از 100 میلیارد مترمکعب کاهش یافته است. بنابراین مسئلۀ تغییرات سطح آب زیرزمینی و پیش‏بینی این تغییرات از اهمیت ویژه‏ای برخوردار است. در این پژوهش سعی بر آن شد تا مدلی توسعه داده شود که با استفاده از الگوریتم جذب داده به پیش‏بینی این تغییرات بپردازد. علاوه بر این، یک مدل یادگیری عمیق نیز به‏ عنوان مدل رقیب توسعه داده شد تا نتایج حاصل از مدل پیشنهادی با آن مورد مقایسه قرار گیرند. استان خراسان جنوبی به‏ عنوان مطالعۀ موردی برای مدل‏سازی انتخاب شد. مقایسۀ بین مدل پیشنهادی و رقیب نشان داد ‌مدل پیشنهادی توانایی بسیار زیادی در پیش‏بینی داشته و دقت آن حدود دقت مدل رقیب است. براساس این ارزیابی، برای مدل پیشنهادی و مدل رقیب، ضریب تبیین ( ) به‌ترتیب برابر 0.91 و 0.95 و ریشۀ میانگین مربعات خطا (rmse) به‌ترتیب برابر 0.18 و 0.20 به دست آمدند. همچنین ارائۀ‏ صریح روابط و پارامترهای مدل در کنار ارائۀ‏ عدم قطعیت‏ها و یک بازۀ‏ اطمینان‏پذیری، از سایر مزایای مدل پیشنهادی است که می‏تواند آیندۀ گسترده‏ای را برای الگوریتم‏های جذب داده فراهم آورد. البته مدل‏های یادگیری ماشین و یادگیری عمیق که امروزه کاربرد گسترده‎‏‏ای دارند، چنین مزایایی را ارائه نمی‏کنند.

investigation of groundwater level changes using particle filtering algorithm based on satellite data absorption (case study: khorasan jonoubi)

in the past decades, due to excessive extraction of underground water resources, decrease in rainfall and increase in air temperature, the level of underground water has decreased drastically. according to previous researches, iran has 130 billion cubic meters of underground water resources; but in the last 20 and six years, renewable water resources have decreased to 110 and less than 100 billion cubic meters, respectively. therefore, the issue of underground water level changes and the prediction it, is of particular importance. therefore, in this research, a model was developed to predict these changes using the data absorption algorithm. in addition, a deep learning model was also developed as a competing model to compare the results of the proposed model with it. south khorasan province was selected as a case study for modeling. the comparison between the proposed model and the competing model showed that the proposed model has a very high prediction ability and its accuracy is close to the accuracy of the competitor model. based on this evaluation, for the proposed model and the competing model, (r2) was equal to 0.91 and 0.95, and the root mean square error (rmse) was equal to 0.18 and 0.20, respectively. also, explicit presentation of equations and parameters of the model along with providing uncertainties and a confidence interval are other advantages of proposed model that can provide a wide future for data absorption algorithms. meanwhile, machine learning and deep learning models, that are widely used today, do not provide such benefits.