پیش بینی نوسانات تراز آب زیرزمینی دشت سنقر با استفاده از روش های یادگیری ماشین

نوسانات تراز آب زیرزمینی از معیارهای مهم موردنیاز برای تصمیم گیری در بسیاری از مدل های بهره برداری از منابع آب است. کمبود داده های قابل اعتماد و کامل از مهمترین چالش ها در واکاوی افت و پیش بینی های تراز آب زیرزمینی در مدیریت آب است. طی سالیان اخیر استفاده از مدل های عددی مختلف توانسته است به عنوان یک راهکار قابل اطمینان موردتوجه قرار گیرد. این مدل ها بر اساس آمار و اطلاعات گسترده و بر اساس نقشه ها و اندازه گیری های متنوع زمینی مانند آزمایشات پمپاژ، ژئوفیزیک، نقشه های خاک و کاربری اراضی، داده های توپوگرافی و شیب، شرایط مرزی مختلف و بهره گیری از معادلات پیچیده قادر به تخمین تراز آب زیرزمینی در هر منطقه ای هستند. در تحقیق حاضر ابتدا با استفاده از آمار و اطلاعات و نقشه های موجود نوسانات تراز آب زیرزمینی دشت سنقر توسط مدل gms شبیه سازی شد و دقت مدل در دو مرحله واسنجی و صحت سنجی مورد ارزیابی قرار گرفت. سپس به دلیل نیاز به حجم داده بسیار کمتر در روشهای یادگیری ماشین، روش‌های هیبرید gwo-ann و pso-ann و مدل‌های lstm وsaelm مورد استفاده قرار گرفت. نتایج نشان داد خروجی مدل saelm دارای بهترین برازش با داده‌های مشاهداتی با ضریب همبستگی برابر با 0/97 بود، همچنین دارای بهترین و نزدیک‌ترین پراکندگی نقاط در اطراف خط 45 درجه بود و از این نظر دقیق‌ترین مدل محسوب می‌شود. لذا برای پیش بینی تراز آب زیرزمینی در کل دشت بجای استفاده از مدل پیچیده gms با حجم داده های بسیار زیاد و همچنین فرآیند واسنجی و صحت سنجی بسیار وقت گیر در آن، می توان با اطمینان از مدل saelm استفاده کرد. این رویکرد کمک زیادی به محققین بخش آب زیرزمینی می کند تا بدون استفاده از مدل های عددی با ساختار پیچیده و وقت گیر با استفاده از هوش مصنوعی با دقت بالا تغییرات تراز آب زیرزمینی را در سال های خشک و تر پیش بینی نمایند.

prediction of fluctuations in the underground water level of sanghar plain using machine learning methods

the fluctuation of groundwater level is one of the important criteria required for decision-making in many water resources exploitation models. the lack of reliable and complete data is one of the most important challenges in analyzing the decline and predictions of the groundwater level in water management. in recent years, the use of different numerical models has been noticed as a reliable solution. these models are able to estimate based on extensive statistics and information and based on various land maps and measurements such as pumping tests, geophysics, soil and land use maps, topography and slope data, different boundary conditions and using complex equations. the level of groundwater in any region. in the present research, first, by using available statistics and information and maps, the fluctuations of the groundwater level of sonqor plain were simulated by the gms model, and the accuracy of the model was evaluated in two stages of calibration and validation. then, due to the need for much less data in machine learning methods, gwo-ann and pso-ann hybrid methods and lstm and saelm models were used. the results showed that the output of the saelm model had the best fit with the observational data with a correlation coefficient equal to 0.97, and it also had the best and closest distribution of points around the 45 degree line, and in this sense, it is considered the most accurate model. therefore, to predict the level of groundwater in the whole plain, instead of using the complex gms model with a very large volume of data and also a very time-consuming calibration and validation process, saelm model can be used with confidence. this approach greatly helps the researchers of the groundwater sector to predict the changes of the groundwater level in dry and wet years without using numerical models with a complex and time-consuming structure using artificial intelligence with high accuracy.