پیش‌بینی ارزیابی پتانسیل آب زیرزمینی در دشت خرم آباد بر اساس شبکه‌های عصبی کانولوشن

امروزه به‌دلیل افزایش جمعیت، توسعه صنعتی، بهره‌برداری بی‌رویه، خشکسالی‌ها بهره‌برداری از آب‌های زیرزمینی چندین برابرشده است. بنابراین تشخیص مناطق دارای آب زیرزمینی به‌عنوان یکی از منابع مهم برای تامین آب آشامیدنی، کشاورزی، صنایع مختلف به‌خصوص  از موارد مهم و ضروری در مدیریت منابع آب محسوب می‌شود. هدف از انجام این پژوهش، بررسی و پهنه‌بندی مناطق دارای آب زیرزمینی در دشت خرم‌آباد واقع در استان لرستان با استفاده از روش شبکه عصبی کانولوشن است. بدین منظور ابتدا از طریق بازدیدهای میدانی، نقشه‌های زمین‌شناسی و توپوگرافی و با مرور منابع قبلی و بررسی شرایط منطقه، نه عامل طبقات ارتفاعی، شیب، جهت‌ شیب، فاصله از گسل، فاصله از رودخانه، بارش، لیتولوژی و کاربری‌اراضی، خاک به‌عنوان عوامل موثر بررسی و انتخاب شدند و  نقشه آن‌ها در محیط arcgisتهیه شدند. درروش کانولوشن تعداد نمونه‌ها به‌عنوان نسبت بین مجموعه آموزشی و مجموعه آزمایشی70:30 تعیین شد و چارچوب شبکه عصبی کانولوشن به‌عنوان 2 لایه کانولوشن و 2 لایه ادغام، 2 اتصال کامل استفاده شد. لایه‌ها و در نهایت لایه sigmoid برای در طبقه‌بندی از هسته کانولوشن 3 3، تابع relu به‌عنوان تابع فعال‌سازی و تابع آنتروپی متقاطع به‌عنوان تابع زیان استفاده شد. نقشه‌های به‌دست آمده در 5 کلاس طبقه‌بندی شد. هم‌چنین برای اعتبارسنجی نتایج مدل از ماتریس کانفیوزن استفاده شد.30 درصد از داده‌های واقعی برای ارزیابی استفاده شد که منجر به‌دقت کلی92 درصد شد، یعنی مدل توانسته 92درصد داده‌ها را آب زیرزمینی و93درصد عدم آب زیرزمینی رو به‌درستی تشخیص دهد. تجزیه و تحلیل نقشه پتانسیل آب زیرزمینی مدل شبکه عصبی کانولوشن نشان می‌دهد که حدود 57 درصد منطقه در شرایط کم آب زیرزمینی و43درصد منطقه در شرایط خوب آب زیرزمینی قرار دارد.

prediction of underground water potential in khorramabad plain based on convolutional neural networks

today, due to population increase, industrial development, excessive exploitation, droughts, exploitation of underground water has multiplied. therefore, identifying areas with underground water as one of the important sources for providing drinking water, agriculture, and various industries is considered to be one of the important and necessary issues in water resources management. the purpose of this research is to investigate and zonate the areas with underground water in khorram abad plain located in lorestan province using convolutional neural network method. for this purpose, maps of nine factors affecting underground water were first prepared in the arcgist environment. in the convolution method, the number of samples was determined as the ratio between the training set and the test set was 70:30, and the convolution neural network framework was used as 2 convolution layers and 2 integration layers, 2 complete connections. layers and finally the sigmoid layer was used for classification from the 3-3 convolution kernel, the relu function as the activation function and the cross entropy function as the loss function. the obtained maps were classified into 5 classes: very good, good, average, low and very low. confusion matrix was also used to validate the results of the model. 30% of the real data was used for evaluation, which resulted in an overall accuracy of 92%, that is, the model was able to correctly identify 92% of the data as underground water and 93% as the absence of underground water. the analysis of the groundwater potential map of the convolutional neural network model shows that about 57% of the area is in low groundwater conditions and 43% of the area is in good groundwater conditions.