ارزیابی مدل شبکه عصبی موجک در پیش‌بینی منابع آب زیرزمینی (مطالعه موردی: استان لرستان، ایران)

در سال های اخیر، برداشت بی رویه آب‌های زیرزمینی باعث افت شدید سطح آب‌های زیرزمینی شده است،که خطراتی همچون نشست زمین را درپی داشته است. لذا پیش بینی قابل‌اطمینان سطح آب‌های زیرزمینی برای مدیریت این منابع حائز اهمیت است. در این پژوهش جهت پیش‌بینی سطح آب‌های زیرزمینی محدوده‌های مطالعاتی ازنا الیگودرز، دورودبروجرد، سلسله و دلفان واقع در استان لرستان از شبکه عصبی موجک استفاده شد و نتایج آن با روش شبکه عصبی مصنوعی مقایسه گردید. پارامترهای بارش، دما، دبی جریان و تراز سطح ایستابی در دوره زمانی ماه قبل به‌عنوان ورودی و تراز سطح ایستابی در دوره موردنظر به‌عنوان خروجی مدل‌ها در مقیاس زمانی ماهانه در طی دوره آماری (13811398) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نشساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورد استفاده قرار گرفت. نتایج حاصل از تحلیل هیدروگراف نشان داد افزایش میزان بارش تاثیر بسزایی بر منابع آب زیرزمینی دارد و همچنین نتایج حاصل از معیارهای ارزیابی نشان داد مدل شبکه عصبی موجک کارایی بهتر و خطای کمتری نسبت به شبکه عصبی مصنوعی دارد.

Application of Wavelet Neural Network Model in Prediction of Groundwater Resources (Case Study, Lorestan Province, Iran)

The phenomenon of the exploitation of groundwater recently has caused a sharp decline in groundwater levels, resulting in both subsidence and desertification caused by the groundwater withdrawal. Thus, reliable prediction of groundwater level has been an important component in sustainable water resources management. In this study, a datadriven prediction wavelet neural network model (WNN) was proposed for groundwater level in AznaAligodarz, DourodBrojerd, Delfan, Selseleh plain forecasting, and the results were compared with the artificial neural network. Parameters including precipitation, temperature, flow rate and water level balance during the period of the previous month were used as input of the model and level of the water table in each period as the output of the model through monthly scale (20022019) were selected. The criterion of the correlation coefficient, RootMeanSquareError and average absolute error and coefficient of Nash Sutcliff for evaluating and the comparison of performance models were used.  The results of the hydrograph analysis indicated that the increase of rainfall has an effect on groundwater resources, and also the findings evaluation of criteria showed that WNN has better performance and less error than the artificial neural network.