تحلیل مکانی و زمانی تراز آب زیرزمینی با استفاده از رویکرد همگنی ناحیه‌ای با تلفیق شبکه عصبی مصنوعی (منطقه مورد مطالعه: آبخوان میاندوآب)

با توجه به اهمیت منابع آب زیرزمینی در تامین مطمئن نیاز آبی کشورها، بویژه در مناطق خشک و نیمه خشک، برنامه‌ریزی بلند مدت و مدیریت صحیح بهره‌برداری از این منابع ارزشمند امری ضروری می‌باشد. بدین منظور استفاده از ابزارهای مناسب شبیه‌سازی جهت پیش‌بینی تغییرات مکانی و زمانی سفره‌های آب زیرزمینی و رفتار آتی آنها بسیار مفید می‌باشد. این مطالعه با هدف منطقه‌بندی آبخوان میاندوآب و پیش‌بینی مکانی و زمانی سطح آب زیرزمینی با استفاده از روش شبکه عصبی مصنوعی انجام شده است. ابتدا جهت شناسایی اهمیت پارامترهای موثر در شبیه‌سازی، شش پارامتر ضریب قابلیت انتقال، سطح آب زیرزمینی، تراز زمین، افت آب زیرزمینی، بارندگی و تخلیه در سطح منطقه خوشه‌بندی مکانی شد. پس از تحلیل آماری از سه رویکرد خوشه‌بندی منفرد، سه پارامتره و تلفیقی استفاده گردید. تعداد خوشه‌های مناسب با استفاده از عرض سیلهوت تعیین شد. در فرایند آموزش و صحت سنجی مدل از داده‌های 77 چاه مشاهده‌ای آبخوان میاندوآب، که دارای سری زمانی اندازه‌گیری شده 10 ساله (13911382) برای سطح آب زیرزمینی می‌باشند، استفاده شد. نتایج تحلیل خوشه‌بندی مکانی نشان داد که رویکرد خوشه‌بندی با در نظر داشتن همبستگی دارای دقت بهتری است. پس از انتخاب رویکرد مکانی مناسب، 4 پارامتر بارندگی، تغذیه آبخوان، تخلیه آبخوان و سطح آب زیرزمینی در ماه قبل به عنوان متغیرهای ورودی به شبکه عصبی مصنوعی انتخاب گردید. پس از شبیه‌سازی سطح آب زیرزمینی با استفاده از روش شبکه عصبی پس‌انتشار برگشتی، پیش‌بینی سطح آب زیرزمینی برای 2 سال انجام گرفت. نتایج نشان داد که تغییرات ضریب همبستگی در 6 خوشه بین 0.71 تا 0.97 و میزان تغییرات میانگین مجذور خطا بین 0.19 تا 0.58 بوده که حاکی از دقت مناسب این رویکرد جهت پیش‌بینی سطح آب زیرزمینی است.

Spatiotemporal Analysis of Groundwater Level Using Clustering Method Combined with Artificial Neural Network

Longterm planning and proper management of groundwater resources utilization are essential to ensure a reliable supply of water to countries, especially in arid and semiarid regions. Therefore, it is necessary to employ appropriate models to predict the spatial and temporal fluctuations of aquifers and their future behavior. This study aimed to apply zoning strategies to Miandoab aquifer and predict its spatial and temporal groundwater level using an artificial neural network. First, the six parameters of transmissivity coefficient, groundwater level, ground elevation, withdrawal, rainfall, and discharge were spatially clustered to identify their effect on the simulation model. Three clustering approaches of singleparameter, threeparameter and integratedparameter were evaluated using some statistical indices. The number of suitable clusters was determined using silhouette width. Groundwater level data (20022012) from 77 observational wells were used for model training and validation. Results showed that the correlation clustering approach performs better than the other methods. Precipitation, aquifer recharge, aquifer discharge, and groundwater level of the previous month were inputs to the backpropagation artificial neural network (ANN) for predicting a twoyear period of groundwater level. The results showed that the correlation coefficients of variation in 6 clusters were 0.71 0.97, and the RMSE variations were 0.19 0.58, indicating appropriate accuracy of this approach for predicting groundwater level.