پیش بینی نوسانات ضخامت معادل آب زیرزمینی با استفاده از اطلاعات ماهواره؜ای و ترکیب الگوریتم‌ بهینه‌سازی و هوش مصنوعی

طی سالیان اخیر استفاده از اطلاعات ماهواره؜ای مختلف توانسته است به‌عنوان یک راهکار قابل اطمینان مورد توجه قرار گیرد. هدف از این تحقیق پیش‌بینی نوسانات ضخامت معادل آب زیرزمینی با استفاده از اطلاعات ماهواره grace و مدل‌سازی آن با استفاده از ترکیب الگوریتم بهینه؜سازی و هوش مصنوعی است. منطقه مطالعاتی این تحقیق، حوضه آبریز دریاچه ارومیه واقع در شمال‌غربی ایران می‌باشد. بدین منظور از 180 داده ماهواره‌های grace طی سال‌های آوریل 2002 تا مارس  2017 استفاده شد. خروجی ماهواره‌ها شامل 6 پیکسل قرار گرفته بر روی حوضه انتخابی می‌باشد که 2 نقطه از آن که بیشترین همپوشانی را با محدوده حوضه داشتند برای مدلسازی با ابزار هوش مصنوعی انتخاب شدند. برای این کار از مدل؜های ترکیبی ga-ann، ica-ann و pso-ann استفاده شد. نتایج نشان داد خروجی مدل ica-ann دارای بهترین برازش با داده‌های مشاهداتی با ضریب همبستگی برابر با 0.915 و 0.942 در دو پیکسل انتخابی 2 و 5 در مرحله آزمون بود. لذا برای پیش؜بینی نوسانات ضخامت معادل آب زیرزمینی در منطقه مطالعاتی بجای استفاده از مدل‌های پیچیده با حجم داده؜های بسیار زیاد می؜توان با اطمینان از مدل ica-ann استفاده کرد. این رویکرد کمک زیادی به محققین بخش آب زیرزمینی می؜کند تا بدون استفاده از مدل‌های عددی با ساختار پیچیده و وقت؜گیر با استفاده از اطلاعات ماهواره؜ای و ابزار هوش مصنوعی با دقت بالا تغییرات ضخامت معادل آب زیرزمینی در هر ماه را بر اساس داده‌های ضخامت معادل آب زیرزمینی در ماهواره grace مربوط به ماه‌های قبل پیش؜بینی نمایند.

prediction of fluctuations in the equivalent thickness of groundwater using satellite information and artificial intelligence hybrid models

the aim of this research is to predict fluctuations in the equivalent thickness of groundwater using grace satellite data and modeling it using artificial intelligence hybrid models. the study area of this research is the basin area of lake urmia located in the northwest of iran. for this purpose, 180 grace satellite data between april 2002 and march 2017 were used. the output of grace satellites includes 6 pixels located on the selected watershed, of which 2 points that overlapped the most with the watershed area were selected for modeling with artificial intelligence tools. the ga-ann, ica-ann and pso-ann hybrid models were used for this purpose. the results showed that the output of the ica-ann model had the best fit with the observation data with a correlation coefficient equal to 0.915 and 0.942 in the two selected pixels 2 and 5 in the test phase, and the results of this model had the best and closest distribution of points. considering the importance of knowing the changes in the equivalent thickness of groundwater as one of the most important parameters of the water budget, the artificial intelligence models used in this research can be recommended, especially for areas without basic statistics or in situations where it is not possible to use mathematical models. without the need for complex relationships and equations to investigate the effect of surface and groundwater interaction and only based on satellite data, the equivalent thickness of groundwater can be predicted in the studied plain in dry and wet periods with great accuracy.